C3 Conceptos de Probabilidades

Captulo 3
Conceptos de Probabilidades
92 Simulacin de Sistemas
Captulo 3
Los objetivos de este captulo son:
Repasar los conceptos ms importantes de las probabilidades.

Reconocer que cada comportamiento estocstico de un sistema (o modelo) es una
variable aleatoria con alguna distribucin probabilstica.
Reconocer que las probabilidades juegan un papel importante en la simulacin.
3.1 Introduccin
Los sistemas con los que se trabajan estn compuestos en general, de uno o ms elementos
que tienen una incertidumbre asociada a ellos, debido a que se desarrollan a travs del tiempo,
en una forma que no es completamente predecible. A este tipo de sistemas se les conoce
como sistemas estocsticos o con comportamiento no determinstico.
Este captulo revisa una serie de conceptos probabilsticos que son muy importantes y que
tienen que ver con comportamientos aleatorios. Primeramente, se presentan una serie de
definiciones para luego repasar algunos patrones aleatorios comunes conocidos como
distribuciones probabilsticas. Si se desea ahondar en algunos de los temas aqu presentados,
entonces se recomienda recurrir a un libro de probabilidades.
3.2 Definiciones
3.2.1 Espacio Muestral
El espacio muestral es el conjunto universal de un experimento formado por todos los posibles
resultados de una poblacin1. Cada uno de los resultados de un espacio muestral se denomina
elemento o miembro del espacio muestral o, en forma ms simple, punto muestral.
Este concepto es de singular importancia al estudiar la teora de probabilidades, porque

solamente se puede producir lo que es probable, cuando se conoce lo que es posible y el
espacio muestral es la totalidad de las posibilidades de una situacin dada. Se dice que el
espacio muestral es discreto si es finito o contablemente infinito, de lo contrario es continuo.
Ejemplo:
Determine el espacio muestral de un experimento en el que se tira un par de dados de

6 caras cada uno.
Solucin:
1 Conjunto de todos los posibles resultados.

Conceptos de Probabilidades 93
El espacio muestral de las combinaciones de dos dados de 6 caras cada uno:
= {(x,y), x=1,2,3,...,6; y=1,2,3,...,6}
Donde x representa el nmero de puntos obtenidos con el dado 1 y y representa el

nmero de puntos obtenidos con el segundo dado. Otra forma de presentar el espacio
muestral podra escribirse como:
= {(1,1);(1,2);(1,3);(1,4);(1,5);(1.6);(2,2);(2,3);(2,4);(2,5);(2,6);(3,3);(3,4);(3,5);(3,6);
(4,4;(4,5);(4,6);(5,5);(5,6);(6,6)}
Ejemplo:
El experimento de seleccionar una parte e inspeccionarla para determinar si est bien

o defectuosa.
Solucin:
= {defectuosa, no defectuosa}
Ejemplo:
Tirar una moneda 10 veces al aire y anotar la cantidad de veces que cay cara.
Solucin:
= {0,1,2,...,10}
3.2.2 Experimento
Un experimento es un proceso de observacin o medida cualquiera. Un experimento es un

buen ejemplo de procedimientos o procesos cuyo efecto es observable, pero en el cual sus
resultados no se conocen con certeza anticipadamente. El resultado de un experimento se
denomina evento simple o evento.
En toda repeticin nica del experimento, slo ocurrir uno y slo uno de los resultados
experimentales posibles. A continuacin vemos algunos ejemplos de experimentos y sus
resultados asociados:
Ejemplos:
Experimento Resultados del experimento

Lanzar una moneda Cara o sello

Seleccionar una parte para inspeccionarla Defectuosa, no defectuosa
Llamada de ventas Compra, no compra
Tirar un dado de 6 caras 1,2,3,4,5,6
Jugar un partido de ftbol Ganar, perder, empatar
3.2.3 Conjunto
Grupo de objetos o elementos que tienen ciertas caractersticas comunes. Es importante

definir cuidadosamente que constituye el conjunto de inters para estar en condiciones de
decidir si un objeto es o no un elemento del conjunto.
Ejemplo:
Los habitantes de San Jos, las estaciones de ferrocarril de Espaa, los ros de
frica, las farmacias del Estado de Jalisco son ejemplos de conjuntos.
3.2.4 Evento Simple
Un evento simple es cada uno de los resultados posibles de un experimento aleatorio, se le

conoce tambin con el nombre de punto muestral o suceso elemental. Es un resultado posible
de una sola accin o prueba de un experimento.
Son mutuamente excluyentes y equiprobables (no pueden aparecer dos a la vez y la

probabilidad de ocurrencia de cada uno de ellos es la misma).
Ejemplo:
El resultado de tirar una moneda al aire y que caiga mostrando sello.
Solucin:
= {cara, sello} Es = {sello}
Ejemplo:
El resultado de tirar dos dados al aire y que salga una suma de 12 puntos.
Solucin:
= {(x,y), x=1,2,3,...,6; y=1,2,3,...,6} Es = {6,6}

Cada evento simple tiene una probabilidad de ocurrencia. Si no se especifica, entonces se
asume que todos los eventos simples son equiprobables.
3.2.5 Evento Compuesto

Con frecuencia lo que interesa no es un suceso elemental en particular, sino ms bien la

categora del resultado que representa una observacin, es decir, que lo se estudia sea un
conjunto de sucesos elementales llamados sucesos o eventos compuestos. Cada evento tiene
una probabilidad de ocurrencia.
Evento compuesto, es pues, un subconjunto del espacio de sucesos elementales de un

experimento aleatorio y es denotado con E. La observacin de un elemento cualquiera de un
suceso E lleva a la conclusin de que ha ocurrido el suceso.
Ejemplo:
Sea E el evento de observar todos los valores pares en el experimento de lanzar un

par de dados de 6 caras:
Solucin:
= {(x,y), x=1,2,3,...,6; y=1,2,3,...,6}
E = {(1,1);(1,3);(1,5);(2,2);(2,4);(2,6);(3,3);(3,5);(4,4);(4,6);(5,5);(6,6)}
3.3 Operaciones con eventos simples y compuestos
3.3.1 Complemento de un Evento
Es el conjunto de elementos que no pertenecen al espacio de eventos de E. En otras palabras,

el complemento de un evento, denotado por , es el evento que sucede si y slo si E no
sucede.
Se denota con .
Complemento del Evento E

Espacio
Evento E muestral
_
E
Figura 3.1 Complemento de un Evento
Dado un evento A, el complemento de A se define como el evento formado por todos los
puntos muestrales que no estn en A.
Clculo de la probabilidad mediante el complemento:
P(E)= 1 - P()
Ejemplo:
El experimento consiste en el lanzamiento de un dado de 6 caras.
Espacio muestral = {1,2,3,4,5,6}
El evento o suceso compuesto E es la salida de un nmero par.
Evento E = {2,4,6}
Si en un momento dado ocurre la salida 2. Se dice que ha ocurrido el suceso E o que

ha sido un xito.
Punto Muestral Es = {2}
El complemento de E sern los nmeros impares:

= {1,3,5}
Ejemplo:
Veamos el caso de un gerente de ventas que, despus de revisar los informes de

ventas dice que el 80% de los contactos con nuevos clientes no resultan en venta
alguna.
Si se define a E como elemento de una venta y el de no venta, lo que el gerente

dice es que P()=0.80. Encontrar la probabilidad de que se haga una venta al entrar
en contacto con un nuevo cliente.
Solucin:
P(E) = 1 - P()
= 1 - 0.8
= 0.2
3.3.2 Interseccin de Eventos
Podemos combinar diferentes eventos para formar nuestros eventos, utilizando las diferentes
operaciones en conjunto.
Se denota por A B y es el conjunto de los elementos que pertenecen tanto a A como a B.

Estos eventos suceden si y slo si A y B suceden simultneamente. Tambin se denota como
A B.
El diagrama de Venn que muestra la interseccin de los dos eventos es el siguiente:

Espacio
Interseccin de los Eventos A y B muestral
Evento A Evento B
rea de traslape: A B
Figura 3.2 Interseccin de 2 Eventos
El rea donde se traslapan los dos crculos en la interseccin de A y B es el evento que

contiene los puntos muestrales que estn en A y tambin en B.
Ejemplo:
Se toma un dado del cual se sacarn las siguientes salidas de datos:
A = {2,4,6} salida de nmeros pares.

B = {4,5,6} salida de nmeros mayores a tres.
Solucin:
A B A B A B = {4,6} ocurrencia de valores pares mayores que tres.
Se toman los nmeros que se repiten en A y B, los cuales son los nmeros 4 y 6.
Ejemplo:
X = {Juan, Pedro, Pablo, Jos}
Y = {Mara, Pablo, David, Pedro}

Solucin:
X Y X Y = {Pablo, Pedro}
Los nombres que se repiten en los eventos X e Y fueron Pablo y Pedro.

Ejemplo:
Sea P el evento de que una persona elegida al azar de entre las que cenan en una
cafetera es un ingeniero y sea Q el evento de que la persona tenga ms de 65 aos.
Solucin:
El evento P Q es el conjunto de todos los ingenieros que se encuentran en la cafetera

y que tienen ms de 65 aos.
3.3.3 Unin de Eventos
Denotado por A B A + B, es el evento que ocurre cuando A B ambas ocurren.

La probabilidad de la unin de dos sucesos incompatibles es la suma de las probabilidades
de cada uno de ellos.
Unin de los Eventos A y B Espacio

muestral
Evento A Evento
rea de unin: A B
Figura 3.3 Unin de 2 Eventos
Observe que los dos crculos contienen todos los puntos muestrales del evento A y los
puntos muestrales del evento B. El hecho de que los crculos se traslapen indica que
algunos puntos muestrales estn contenidos tanto en A como en B al mismo tiempo.
Ejemplos:
1. Se tomarn los mismos valores del ejemplo anterior, para:
A = {2,4,6}
B = {4,5,6}
Entonces A B A + B = {2,4,5,6} ocurrencia de todos los valores.
La unin de eventos es el conjunto de todos los elementos de los eventos sin repetir elementos
aunque se encuentren en ambos eventos.
2. Eventos
X = {negro, rojo, azul, amarillo}
Y = {rojo, verde, blanco}
Entonces: X Y X + Y = {negro, rojo azul, amarillo, verde, blanco}

3. Sea P el evento de que un empleado seleccionado al azar de una compaa de

perforacin petrolera fume. Sea Q el evento que un empleado seleccionado ingiera
bebidas alcohlicas. Entonces, el evento P Q es el conjunto de todos los empleados
que beben o fuman, o hacen ambas cosas.
3.4 Propiedades de los eventos
3.4.1 Evento Mutuamente Exclusivo
Dos eventos se dice que son mutuamente exclusivos cuando no pueden suceder
simultneamente. Es decir, no tienen puntos muestrales en comn.
Eventos Mutuamente Exclusivos Espacio

Muestral
Evento A Evento B
Figura 3.4 Eventos Mutuamente Exclusivos
Se denota de la siguiente manera2:
A B = {}, cuando no pueden suceder simultneamente.
Ejemplo:
Estos eventos son tomados de un dado de 6 caras:

A = {1,2} ocurrencia de nmeros menores a tres.
B = {4,5,6} ocurrencia de nmeros mayores a tres.
Solucin:
A B = {}
Ejemplo:
Una compaa de televisin por cable ofrece programas en 8 canales diferentes, tres
de los cuales estn afiliados a la ABC, dos a la NBC y 1 a la CBS. Los otros dos son
un canal educativo y el canal de deportes ESPN. Suponga que una persona inscrita
en este servicio enciende un televisor sin elegir primero el canal. Sea A el evento de
que el programa pertenezca a la red NBC y B el evento de que pertenezca a la red
CBS.
2 Significa vaco. Algunos autores utilizan 0.

Solucin:
Puesto que un canal de televisin no puede pertenecer a ms de una red, los eventos
A y B no tiene programas en comn. Por lo tanto, la interseccin A B no contiene
ningn programa y, en consecuencia los eventos A y B son mutuamente exclusivos3.
3.4.2 Evento Colectivamente Exhaustivo
Dos eventos son colectivamente exhaustivos cuando su unin nos da el espacio muestral.
Se denota de la siguiente forma A B = .
Ejemplo:
Utilizando nuevamente un dado de 6 caras donde: los nmeros pares A = {2,4,6} y

los nmeros impares B = {1,3,5}
Solucin:
La unin de ambos eventos nos da el espacio muestral:
= {1,2,3,4,5,6}
3.5 Probabilidad
En el estudio de "lo que es posible", existen dos tipos de problemas. El primero es el de citar
todo lo que pueda suceder en una situacin dada y el segundo es el de determinar cuntas
cosas diferentes pueden suceder sin tener que construir una lista completa.
La probabilidad de un evento A es la suma de las probabilidades de todos los puntos
muestrales que se encuentran en A.
Ejemplo:
Para cumplir con un requisito de graduacin, cada uno de dos estudiantes debe
estudiar un idioma extranjero: Francs, alemn o ingls. Cite las diferentes formas en
que pueden hacer ellos su eleccin, si slo nos interesa cuntos de ellos, no cules,
estudiarn francs, cuntos alemn y cuntos ingls.
Solucin:
Es claro, que hay muchas posibilidades: Ambos estudiantes pueden decidir estudiar
alemn; uno de ellos puede decidir estudiar francs mientras el otro decide estudiar
ingls; quizs uno de ellos opte por el alemn y el otro decida estudiar un idioma
extranjero que no sea el francs, alemn ni ingls; ambos pueden decidir estudiar un
idioma extranjero que no sea el francs, el alemn ni el ingls; y as sucesivamente
quizs podamos completar la lista, pero las oportunidades son que omitiremos cuando
menos una de las posibilidades.
3 Excluyentes.
101
Para manejar este tipo de problema de manera sistemtica resulta prctico trazar un
diagrama de rbol. Este diagrama muestra que hay 3 posibilidades (3 ramas) que
corresponden a 0, 1 2 de los que deciden estudiar francs. Despus, para los que
desean estudiar alemn hay tres ramas que emanan de la rama superior, dos de las
ramas del medio y una de la rama inferior. Vuelve a haber tres posibilidades 0, 1 2
cuando ningn estudiante va a estudiar francs; dos posibilidades 0 1, cuando uno
de los dos estudiantes va a estudiar francs; y una posibilidad 0, cuando ambos
estudiantes van a estudiar francs. En total hay 10 posibilidades.
Figura 3.5 Diagrama de rbol
3.5 Teoremas de Probabilidad
A continuacin se presentan algunos de los teoremas ms importantes que se aplican

invariablemente:
La probabilidad de un evento E es un nmero real que est en el intervalo de 0 a 1.

0 P(E) 1
Si se tiene la certeza de que ocurrir un evento, su probabilidad es 1, (P()= 1), y si se
tiene la certeza de que no ocurrir un evento, su probabilidad es 0, (P(0)= 0).
Si dos eventos son mutuamente exclusivos, la probabilidad de que uno o el otro ocurra
es igual a la suma de sus probabilidades.
La suma de las probabilidades de que ocurra un evento y de que no ocurra un
evento es igual a 1.
Basndonos en estos teoremas se producen otros ms que se sealan a continuacin.
3.6 Reglas de Probabilidad

3.6.1 Regla Especial de la Adicin
Si K eventos son mutuamente exclusivos, la probabilidad de que uno de ellos ocurra es igual
a la suma de sus probabilidades respectivas; en forma simblica:
P ( A1 A2 .... AK) = P(A1) + P(A2) +... P(AK)
para los eventos mutuamente exclusivos A1, A2,...., AK donde, suele leerse unin.
Ejemplo:
a) Las probabilidades de que una mujer compre vestidos en Look, en Dennys y en La

Gota son 0.22, 0.18 y 0.35 respectivamente. Cul es la probabilidad de que ella
compre el vestido en una de esas tiendas?
b) Cul es la probabilidad de que una mujer no compre vestidos a ninguna de las tres
tiendas?
Solucin:
a) Como las 3 posibilidades son mutuamente exclusivas, la respuesta es:
P (Look Dennys La Gota) = 0.22 + 0.18 + 0.35

= 0.75.
b) P(No compre) = 1 P(Compre)

= 1 0.75
= 0.25
Ejemplo:
a) Cul es la probabilidad de obtener un total de 7 u 11 cuando se lanza un par de
dados de 6 caras cada uno?
b) Cul es la probabilidad de no obtener ni 7 ni 11 en el experimento de lanzar dos
dados?
Solucin:
a). Sea A el evento de que obtenga un 7 y B el evento de que se obtenga un 11. Se

observa que ocurre el evento A en 6 de los 36 puntos muestrales y ocurre el evento B
en slo dos de los puntos muestrales. Puesto que todos los puntos muestrales son
igualmente probables, se tiene que P(A) = 1/6 y P(B) = 1/18. Los eventos A y B son
mutuamente exclusivos, ya que no se puede obtener al mismo tiempo un total de 7 y
11 en el mismo lanzamiento. Por lo tanto:
P(A B) = P(A) + P(B)

= 1/6 + 1/18
= 2/9
103
c) P(A U B) + P (A U B) = 1
P (A U B) = 1 2/9
= 7/9
3.6.2 Regla General de Adicin
Esta regla se aplica cuando los eventos A y B no son mutuamente exclusivos:
P (A B) = P(A) + P(B) - P(A B)
Para entender la ley aditiva observe que los dos primeros trminos en ella, P(A) y P(B) se
asocian con todos los puntos muestrales en A B. Sin embargo, como los puntos muestrales
en la interseccin A B estn en A y en B al mismo tiempo, al calcular P(A) + P(B) de hecho
contamos dos veces a cada uno de los puntos en A B. Al restar P(A B) se corrige el doble
conteo.
Ejemplo:
Para obtener una frmula P(A B) que se cumpla sin importar si los eventos A y B son
mutuamente exclusivos, tomemos en cuenta el siguiente diagrama (Figura 3.6), que
concierne a la eleccin de un alcalde.
La G representa persona graduada de la universidad.

La M representa persona de un grupo monetario.
De las figuras obtendremos:
P(G) = 0.44 + 0.15 = 0.59

P(M) = 0.15 + 0.07 = 0.22
P (G M) = 0.44 + 0.15 + 0.07 = 0.66
G M
0.44 0.07
0.15 0.15
G M
0.44 0.15 0.07
Si hubiese utilizado en forma errnea la regla de adicin especial P(G M) = P(G) + P(M) =
0.59 + 0.22 = 0.81. Este error se produce al incluir P(G M) = 0.15 dos veces, una vez en
P(G) = 0.59 y otra Figura
en P(M)3.6
= 0.22 y se puede
Ejemplo corregir
de la Regla al restar
General de0.15 de 0.81.
Adicin
P(G M) = P(G) + P(M) - P(G M)

= 0.59 + 0.22 - 0.15
= 0.66
Ejemplo:
Si se saca una carta de una pila ordinaria de 52 cartas. Cul es la probabilidad de que
ser un trbol o un mueco (rey, reina o jota)?
Solucin:
Si C denota sacar un trbol y F tomar un mueco, entonces:
P(C) = 13/52, P(F) = 12/52, y P(C F) = 3/52 de manera que

P(C F) = 13/52 + 12/52 - 3/52 = 22/52.
Ejemplo:
Consideremos el caso de una pequea ensambladora con 50 empleados. Se espera

que cada trabajador termine a tiempo sus labores de trabajo, adems de que el
producto armado pase una inspeccin final. A veces, alguno de los trabajadores no
puede cumplir con los estndares de desempeo porque terminan su trabajo tarde y/o
arman productos defectuosos. Al terminar un perodo de evaluacin de desempeo, el
gerente de produccin vio que 5 de los 50 trabajadores haban terminado tarde su
trabajo, que 6 de los 50 haban armado productos defectuosos y que 2 haban
terminado el trabajo tarde y tambin haban armado productos defectuosos.
Solucin:
T = el evento de que el trabajo se termina tarde

D = el evento de que el producto armado es defectuoso
P (T) = 5/50 = 0.10

P(D) = 6/50 = 0.12
P(T D) = 2/50 = 0.04
Despus de revisar los datos el gerente de produccin opt por asignar una mala
calificacin de desempeo al empleado cuyo trabajo se presentar tarde o fuera
defectuoso; en consecuencia el evento de inters es T D. Qu probabilidad hay de
que se asigne una mala calificacin a un empleado?
P(T D) = P(T) + P(D) - P(T D)
= 0.10 + 0.12 - 0.04
= 0.18
3.6.3 Regla Especial de Multiplicacin

105
La probabilidad de que ocurrieran dos eventos independientes es simplemente el producto de

sus probabilidades respectivas.
P (A B) = P (A) P (B)
Observe que la ley multiplicativa para eventos independientes representa otro mtodo para
determinar si A y B son independientes.
Ejemplo:
Cul es la probabilidad de obtener dos sellos en dos lanzamientos al aire de una

moneda equilibrada?
Solucin:
La probabilidad de que caigan sellos es 1/2 en cada lanzamiento al aire de la moneda,

la respuesta es 1/2 1/2 = 1/4.
Ejemplo:
Un gerente de una gasolinera sabe, por su experiencia, que el 80% de los clientes usan
tarjeta de crdito para comprar gasolina cul es la probabilidad de que los dos clientes
siguientes que compren gasolina usen tarjeta de crdito?.
Solucin:
Si hacemos que:
A = el evento donde el primer cliente usa tarjeta de crdito y

B = el evento donde el segundo cliente usa tarjeta de crdito,
entonces el evento de inters es A B. Como no contamos con ms informacin

podemos suponer razonablemente que A y B son eventos independientes, entonces:
P(A B) = P(A) . P(B)

= 0.8 * 0.8
= 0.64
3.6.4 Regla General de Multiplicacin
La ley multiplicativa se basa en la definicin de la probabilidad condicional:
P(A B) = P(B) . P(AB)4
4 P(AB) se lee la probabilidad de A dado que ocurri el evento B.

La probabilidad condicional de que ocurran dos eventos es el resultado de la probabilidad de

que uno de los eventos ocurra dado que ha ocurrido el primer evento.
Ejemplo:
Un jurado consta de 9 personas nativas del lugar y de tres extranjeros. Si dos de los
miembros del jurado se eligen al azar para realizar una entrevista. Cul es la
probabilidad de que ambos sean extranjeros?
Solucin:
Sean:
A: El evento de que el primer jurado es extranjero y

B: El evento de que el segundo es tambin extranjero.
Si se suponen probabilidades iguales para cada eleccin, la probabilidad de que el

primer miembro del jurado sea extranjero es P (A) = 3/12. Por lo tanto, si el primer
miembro del jurado escogido es extranjero, la probabilidad de que el segundo sea
tambin extranjero es P (BA) = 2/11, por consiguiente:
P(A B)= P(B) P(AB)= 3/12 * 2/11 = 1/22
Ejemplo:
El departamento de circulacin de un diario sabe que el 84% de las familias de una

determinada urbanizacin tiene una suscripcin para recibir el peridico de lunes a
sbado. Si hacemos que D represente el evento de que una familia tiene tal tipo de
suscripcin, la probabilidad de P(D)=0.84. Se sabe que la probabilidad de que una
familia, cuya suscripcin, adems de ser de lunes a sbado, tambin se suscriba a la
edicin dominical (evento S), es de 0.75; esto es, P(SD)= 0.75 Cul es la
probabilidad que la suscripcin de una familia incluya tanto a la edicin dominical como
la de lunes a sbado?.
Solucin:
Con la ley multiplicativa calculamos P(S D) como sigue:
P(S D) = P(D).P(SD)
= 0.84 * 0.75
= 0.63
Sabemos ahora que el 63% de las familias tiene una suscripcin de las ediciones entre
semana y dominicales.
107
3.7 Teorema de Bayes
El teorema de Bayes ofrece un poderoso mtodo estadstico para evaluar nueva informacin
y revisar estimaciones precedentes (basadas en escasa informacin solamente) sobre la
probabilidad de que las cosas se hallen en uno u otro estado. Si se usa correctamente, el
teorema hace innecesario reunir grandes cantidades de datos durante largos perodos a fin
de tomar decisiones basadas en las probabilidades.
El teorema de Bayes est concebido para calcular probabilidades condicionales marchando a

la inversa. Reformulando un conjunto de probabilidades previas P(ABi), conocidas como
probabilidades a priori, se puede calcular la probabilidad posterior P(BiA), conocida como
probabilidad a posteriori. P(BiA) es la probabilidad de Bi. La frmula bsica del teorema de
Bayes o de Probabilidad Condicional bajo Dependencia es:
P( )
P Bi = Bi
A P(A)
Enunciada de forma ms completa de la siguiente manera: Si los eventos B1, B2, ...,Bk,
constituyen una particin del espacio muestral , donde P(Bi) 0 para i= 1, 2, ...k entonces,
para cualquier evento A de tal que P(A) 0:
A
P( B r ) P( )
B P( B r A) Br
P r = k = k para r: 1, 2, ..., k.
A A

i=1
P( B i A) P( B i ) P( )
i=1 Bi
El teorema de Bayes se aplica cuando los eventos para los que deseamos calcular sus
probabilidades posteriores son mutuamente excluyentes, y la unin de todos ellos es todo el
espacio muestral, se dice que los eventos son colectivamente exhaustivos.
Actualizacin de probabilidades empleando el Teorema de Bayes
Probabilidades Aplicacin del Probabilidades

Previas Informacin Nueva Teorema de Bayes Posteriores
Figura 3.7: Teorema de Bayes

Ejemplo:
Una empresa manufacturera recibe embarques de partes de dos proveedores distintos.

Sea A1 el evento de que una parte provenga del proveedor 1 y A2 el evento de que una
parte provenga del proveedor 2. Actualmente, el 65% de las partes que compra la
empresa provienen del proveedor 1 y el 35% restante del proveedor 2. En
consecuencia, si se selecciona una parte al azar, asignaramos las probabilidades
previas P(A1)=0.65 y P(A2)=0.35. La calidad de las partes vara segn su origen. Los
datos histricos sugieren que el desempeo en trminos de calidad de los dos

proveedores es el siguiente:
Porcentaje de Porcentaje de
piezas buenas piezas malas
Proveedor A1 98 2
Proveedor A2 95 5
Solucin:
Si B representa el evento de que una parte es buena y M el evento de que una parte
es mala, la informacin da como resultado los siguientes valores de probabilidad
condicional:
P(BA1) = 0.98 P(MA1) = 0.02

P(BA2) = 0.95 P(MA2) = 0.05
Al aplicar la ecuacin y sustituir los valores de probabilidad de nuestro ejemplo

tenemos:
P(A1M) = [ P(A1) P(MA1) ] / [ P(A1) P(MA1) + P(A2) P(MA2) ]

= [ 0.65(0.02) ] / [ 0.65(0.02) + 0.35(0.05) ]
= 0.0130 / (0.0130 + 0.0175)
= 0.0130 / 0.0305 = 0.4262
Adems, usando la ecuacin calculamos P(A2/M):
P(A2M) = 0.35(0.05) / [ 0.65(0.02) + 0.35(0.05) ]

= 0.0175 / (0.0130 + 0.0175)
= 0.0175 / 0.0305
= 0.5738
En este ejemplo observamos que inicialmente se tena una probabilidad de 0.65 de que una
parte seleccionada al azar fuera del proveedor 1. Sin embargo, ante la informacin que la parte
es defectuosa, la probabilidad de que provenga del proveedor 1 baja a 0.4262. De hecho, si
la parte es defectuosa hay ms del 50% de probabilidades de que la parte sea del proveedor
2, esto es P(A2M) = 0.5738.
Ejemplo:
Han sido nominados para el puesto de presidente 3 miembros de un club campestre

privado. La probabilidad de que el seor lvarez sea elegido es de 0.3, la probabilidad
de que el seor Bolvar sea elegido es de 0.5 y la probabilidad de que la seora Chvez
sea elegida es de 0.2. Si se elige al seor lvarez, la probabilidad de que haya un
aumento en las cuotas de membresa es de 0.8. Si se elige al seor Bolvar o a la
seora Chvez son de 0.1 y 0.4, respectivamente. Si una persona est considerando
109
inscribirse en el club, pero demora su decisin varias semanas slo para darse cuenta
de que han aumentado las cuotas, cul es la probabilidad de que se haya elegido a
la seora Chvez presidenta del club?
Solucin:
Considrense los siguientes eventos:
A = se aumenta la cuota de la membresa,

B1 = se elige al Sr. lvarez,
B2 = se elige al Sr. Bolvar,
B3 = se elige a la Sra. Chvez.
La probabilidad de que se aumenten las cuotas se expresa:

3
A
P(A) = P( Bi ) P( )
i=1 Bi
A A A
P(A) = P( B 1 ) P( ) + P( B 2 ) P( ) + P( B 3 ) P( )
B1 B2 B3
P(A)= (0.3)(0.8) + (0.5)(0.1) + (0.2)(0.4)
P(A)= 0.24 + 0.05 + 0.08
P(A)= 0.37
aplicando entonces el teorema de Bayes:
A
P( B 3 ) P( )
B B3
P 3 =
A
3
A

i= 1
P( B i ) P( )
Bi
A
P( B 3 ) P( )
B B3
P( 3 ) =
A A A A
P( B 1 ) P( ) + P( B 2 ) P( ) + P( B 3 ) P( )
B1 B2 B3
sustituyendo por las probabilidades ya calculadas, se tiene:
B3 0.08 8
P( )= = 0.22
A 0.24 + 0.05 + 0.08 37
En vista de que han aumentado las cuotas, este resultado sugiere que es probable que no sea
la seora Chvez la presidenta del club.
Ejemplo:
Un fabricante tiene tres mquinas que llamaremos x, y, z que producen partes idnticas.
Se sabe que 5% de las partes producidas por x son defectuosas (D), y que los porcentajes de
partes defectuosas que producen y y z son el 10% y 15% respectivamente.
Si se mezclan los productos de las tres mquinas y no hay manera de reconocer cul ha sido
producida por cual mquina. Pero se sabe que las tres mquinas tienen igual capacidad y
funcionan al mismo ritmo de produccin. Si se toma una parte producida, al azar, y se
encuentra defectuosa. Cul es la probabilidad de que provenga de y? Es decir, calcular
P(Y/D)
Si
P(X)= 1/3; P(Y)= 1/3; P(Z)= 1/3
y
P(D/X)= 0.05; P(D/Y)= 0.1; P(D/Z)= 0.15
entonces:
D
P(Y) P()
Y Y
P( ) =
D X Y Z
P(X) P( ) + P(Y) P( ) + P(Z) P( )
D D D
1
(0.1)
Y 3 1
P( ) = = 0.33
D 1 1 1 3
) (0.05)+ (0.1)+ (0.15)
3 3 3
3.8 Variables Aleatorias y Distribucin de Probabilidad
Una variable aleatoria es aquella que asume diferentes valores a consecuencia de los
resultados de un experimento aleatorio, esto significa que para una prueba especfica (evento
o suceso) de un experimento, el valor de la variable estar determinado por factores al azar.
Se puede enunciar este concepto de la siguiente forma:
Si los valores que toma un smbolo (variable) estn asociados a los sucesos aleatorios
elementales en el espacio muestral de un experimento dado, y depende por tanto de factores
al azar en cuanto a sus ocurrencias, el smbolo se llama variables aleatorias.
111
Se puede entonces concebir la variable aleatoria como un valor o magnitud que cambia entre
una y otra ocurrencia en una secuencia indefinida.
Sea el espacio muestral asociado a un experimento aleatorio. Se llama variable aleatoria

a toda aplicacin del espacio muestral en el conjunto de los nmeros reales. Esto quiere
decir, la variable aleatoria asocia a cada elemento del espacio muestral un nmero real.
Al obtener una muestra en forma aleatoria de una caracterstica en la cual se observan

diversos valores, esto nos lleva a definir a esta caracterstica como una variable aleatoria.
Por ejemplo:
El ingreso anual en una ciudad

Los puntajes obtenidos en un curso
El nmero de llamadas en 50 minutos en un conmutador
El tiempo entre llamadas nacionales recibidas en un da
El nmero de llegadas a un supermercado en una hora
La temperatura en un momento dado en la Ciudad de Panam.
Las variables aleatorias pueden ser discretas o continuas conforme sean los eventos de un
experimento, continuos o discretos. Si se permite que una variable aleatoria adopte slo un
nmero limitado de valores, se le llama variable aleatoria discreta. Por el contrario, si se le
permite asumir cualquier valor dentro de determinados lmites, recibe el nombre de variable
aleatoria continua.
Si a los valores que toma una variable se le asigna sus correspondientes probabilidades se
genera una distribucin de probabilidad. Es una lista de los resultados de un experimento con
las probabilidades que segn se espera, se asociaran a esos resultados. La regla para asignar
probabilidades toma dos formas distintas dependiendo de si la variable aleatoria es discreta o
continua.
Ejemplo:
Se extraen en forma sucesiva dos bolas (sin reemplazo) de una urna que contiene 4
bolas rojas y 3 negras. Si se define y como la variable aleatoria que denota el nmero
de bolas rojas observadas, los posibles resultados y valores que toman se muestran a
continuacin:
Espacio muestral y
RR 2
RN 1
NR 1
NN 0
Ejemplo:
Un empleado de almacn le regresa, en forma aleatoria, tres cascos de seguridad,

previamente revisados, a tres empleados de una fundadora. Si Tapiero, Zapata y Corro,
en ese orden, reciben uno de tres cascos, liste los puntos muestrales para los rdenes
posibles de devolucin de los cascos y encuentre los valores m de la variable aleatoria
M que representa el nmero de asociaciones correctas.
Solucin:
Si T, Z y C representan los cascos de Tapiero, Zapata y Corro respectivamente,

entonces los arreglos posibles en los que podran devolverse los cascos y el nmero
de asociaciones correctas son:
Espacio Muestral m
TZC 3
TCZ 1
ZTC 1
ZCT 0
CTZ 0
CZT 1
Ejemplo:
Consideremos a la variable aleatoria X como la cantidad de guilas observadas

cuando se lanzan dos monedas. El espacio muestral es el conjunto {AA, AS, SA, SS}
y se puede ver que la variable X puede tomar como valores 0, 1 y 2.
Calculando las probabilidades tenemos:
P(de no observar guilas) = P(SS) = P(X=0) =

P(de observar una guila) = P(SA AS) = P(X=1) = 2/
4
P(de observar dos guilas) = P(AA) = P(X=2) =
Si ahora se organizan estos resultados con el siguiente formato:
X P(X=x)
0
1 2/
4
2
En cada uno de los tres ejemplos anteriores, el espacio muestral contiene un nmero finito de
elementos.
113
3.8.1 Variable Aleatoria Discreta
Una variable aleatoria que puede asumir una cantidad finita de valores, o una sucesin infinita
de valores como: 0,1,2,..., se llama variable aleatoria discreta. Por ejemplo, consideremos el
experimento en que un mdico presenta el examen de certificacin de especializacin. El
examen consta de 5 partes. Se puede definir la variable aleatoria discreta como x = la cantidad
de partes aprobadas del examen. Esta variable discreta puede asumir la cantidad finita de
valores 0,1,2,3,4 5.
Otro ejemplo de variable aleatoria discreta: Un experimento relacionado a los vehculos que
llegan a una caseta de cobro. La variable aleatoria de inters es x = cantidad de vehculos que
llegan en un da. Los valores posibles de x provienen de la sucesin de enteros 0,1,2, etc..
Por consiguiente, x es una variable aleatoria discreta que toma uno de los valores de esta
sucesin infinita.
Aunque muchos experimentos tienen resultados que se pueden describir naturalmente con
valores numricos, existen otros que no. Por ejemplo, una pregunta de una encuesta puede
pedir a la persona que recuerde el mensaje de un comercial televisivo reciente. Habra dos
resultados experimentales:
El individuo no puede recordar el mensaje y

el individuo si puede recordarlo.
Podemos seguir describiendo estos resultados experimentales en forma numrica, si

definimos a la variable aleatoria discreta x como sigue:
Sea
x = 0 si el individuo no puede recordar el mensaje, y
x = 1 si s lo puede recordar.
Los valores numricos para esta variable aleatoria son arbitrarios (se podra haber usado 5 y
10), pero se pueden captar en trminos de la definicin de variable aleatoria; x es una variable
aleatoria porque asigna una descripcin numrica al resultado del experimento.
Algunos ejemplos adicionales de variables aleatorias discretas son:
Ejemplos de Variables Aleatorias Discretas

Valores posibles de las
Experimento Variable Aleatoria (x)
variables aleatorias
Cantidad de clientes
Llamar a 5 clientes 0,1,2,3,4,5
que hacen pedido
Inspeccionar un embarque Cantidad de radios
0,1,2,...,49,50
de 50 radios defectuosos
Funcionamiento de un
Cantidad de clientes 0,1,2,3...
restaurante durante un da
Vender un automvil Sexo del cliente 0 si es hombre, 1 si es mujer
Observamos que en cada ejemplo, la variable aleatoria discreta asume, o toma una cantidad
finita o infinita de valores como 0,1,2... etc.
Resulta conveniente representar todas las probabilidades de una variable aleatoria discreta X
a travs de una frmula. Esta frmula sera necesariamente funcin de los valores numricos
x, que se denotarn por f(x), g(x), r(x) y as sucesivamente.
Se puede entonces describir f(x)= P(X= x); es decir, por ejemplo, f(3)= P(X= 3). Al conjunto de
pares ordenados (x, f(x)) se le denomina funcin de probabilidad o distribucin de probabilidad
de la variable aleatoria X cuando ocurre el valor 3.
El conjunto de pares ordenados (x, f(x)) es una funcin de probabilidad de la variable aleatoria
discreta X si, para cada posible resultado x:
1. f(x) 0.
2. f(x) = 1.
3. P(X= x)= f(x).
Ejemplo:
Un envo de 8 microcomputadoras similares para un distribuidor contiene 3

defectuosas. Si una empresa hace una compra aleatoria de 2 de esas computadoras,
encuentre la distribucin de probabilidad para el nmero de defectuosas.
Solucin:
Sea X una variable cuyos valores x son los nmeros posibles de computadoras
defectuosas adquiridas por la empresa. Entonces x puede ser cualquiera de los
nmeros 0, 1 y 2. Ahora,
2/7
3D 3/8 D
5/7
8 3/7
5/8 ND
5 ND
4/7
D, D N de
D, ND computadoras
S= ND, D X= defectuosas
ND, ND adquiridas por
la empresa
115
D D = 2 P(0) = 3/8 * 2/7 = 3/28

D ND = 1
ND D = 1 P(1) = 3/8 * 5/7 + 5/8 * 3/7
ND ND = 0 = 15/56 + 15/56
= 30/56 = 15/28
P(2) = 5/8 * 4/7

= 5/14
Por ello, la distribucin de probabilidad de X es:
x 0 1 2
P(x) 3/28 15/28 5/14
Si 50% de los automviles que vende una agencia estn equipados con motores Diesel,
encuentre una frmula para la distribucin de probabilidad del nmero de automviles Diesel
entre los siguientes 4 que esta agencia vende.
Solucin:
La distribucin de probabilidad f(x) = P(X = x) es:
f(x) = 4
x entre 16; para x = 0,1,2,3,4
f(0) = 1/16
f(1) = 1/4
f(2) = 3/8
f(3) = 1/4
f(4) = 1/16
Es posible trazar los puntos (x, f(x)) del ejemplo anterior, para obtener la siguiente figura:
f(x)
6/16
5/16
4/16
3/16
2/16
1/16
x
0 1 2 3 4
Figura 3.8 Diagrama de Barras
Al unir los puntos en el eje de las x, ya sea a travs de una lnea punteada o de una lnea
continua, se obtiene lo que comnmente se denomina una grfica de barras, la que hace que
resulte muy sencillo observar cules son los valores de X que mayor probabilidad de
ocurrencia y tambin seala una situacin de perfecta simetra en este caso.
En vez de trazar los puntos (x, f(x)), es ms frecuente que se construyan rectngulos. Aqu los
rectngulos estn construidos de manera que sus bases, de igual amplitud, estn centradas
en cada valor x y sus alturas son iguales a las correspondientes probabilidades dadas por f(x).
Las bases se construyen de manera que no queden espacios entre los rectngulos. A la
siguiente figura se le denomina histograma de probabilidad.
Figura 3.9 Histograma de Probabilidad
La grfica de la distribucin acumulada del ejemplo anterior (figura 3.10) aparece como una
funcin de escalones, obtenida dibujando los puntos (x, F(x)).
117
Figura 3.10 Distribucin acumulada

discreta
Considere un experimento que consiste en lanzar tres veces una moneda. La variable
aleatoria X denota el nmero de caras obtenidas en los tres lanzamientos.
La variable puede asumir los valores 0,1,2,3, formando 8 posibles eventos:
1 evento tiene 0 caras

3 eventos tienen 1 cara
3 eventos tienen 2 caras
1 evento tiene 3 caras
3.8.2 Variable Aleatoria Continua
Hasta el momento se han considerado las distribuciones de probabilidad para variables

discretas, donde se poda asignar el valor que toma la funcin de probabilidad cuando la
variable aleatoria tomaba un valor en concreto. Sin embargo, al considerar las variables
continuas es posible que los datos que se puedan recabar no sean completamente exactos,
o dos o ms de ellos no coincidan, por lo que se tienen que trabajar en intervalos y, en ese
momento, modelar una funcin se convierte en un problema serio. Si una variable aleatoria
puede tomar cualquier valor numrico5 en un intervalo o conjunto de intervalos se llama
variable aleatoria continua.
5 con un rango infinito de valores.

Los resultados experimentales que se basan en escalas de medicin como el tiempo, el

peso, la distancia y la temperatura se pueden describir mediante variables aleatorias
continuas. Por ejemplo, imaginemos un ejemplo que consiste en monitorear las llamadas
telefnicas que entran a la oficina de ajuste de una gran aseguradora. Suponga que la
variable aleatoria de inters es el tiempo de llamadas consecutivas en minutos. Esta
variable aleatoria puede asumir cualquier valor en el intervalo x >= 0. En realidad, hay una
cantidad infinita de valores posibles para x, como 1.26 min., 2.751 min., 4.3333 min., etc.
Otro ejemplo es un tramo de 90 millas de la carretera interestatal I-75 al norte de Atlanta.

Podramos definir para un servicio de ambulancias de emergencia en Atlanta, la variable
aleatoria x = la ubicacin del siguiente accidente de trnsito en ese tramo de carretera. En
este caso x sera una variable aleatoria continua que asume cualquier valor en el intervalo
0 <=x <= 90. Veamos otros ejemplos de variables aleatorias continuas.
Ejemplos de Variables Aleatorias Continuas

Valores posibles de las
Experimento Variable Aleatoria (x)
variables aleatorias
Funcionamiento de un Tiempo entre llegadas
x >= 0
banco de clientes en minutos
Llenar una lata de
Cantidad onzas 0 <=x <= 12.1
bebida (mx.=12.1 onzas)
Proyecto para construir Porcentaje terminado
0 <=x <= 100
una nueva biblioteca del proyecto en 6 meses
Temperatura cuando se
Ensayar un nuevo proceso lleva a cabo la reaccin
150 <=x <= 212
qumico deseada (min=150 F;
mx.=212 F)
Como las variables aleatorias continuas pueden asumir alguna de un incontable (e infinito)
nmero de valores posibles, tienen una probabilidad de cero de tomar exactamente cualquiera
de sus valores, no significando esto que el valor es infinito, sino que resulta extremadamente
imposible tomando en consideracin el nmero infinito de alternativas. Por lo tanto, no se
puede presentar su distribucin de forma tabular, pero se puede tener una frmula, la cual
ser funcin de los valores numricos de la variable continua X y como tal se representa a
travs de la notacin funcional f(x), conocida normalmente como funcin de densidad de
probabilidad o funcin de densidad de X.
La mayor parte de las funciones de densidad que tienen aplicaciones prcticas para el anlisis
de datos estadsticos son continuas y sus grficas pueden tomar diversas formas (ver figura
3.11).
119
Una
funcin
de
Figura 3.11 Funciones tpicas de Densidad
densidad se construye de manera que el rea bajo su curva, limitada por el eje de las x sea
igual a 1 cuando se calcula en el rango de X para el que se ha definido f(x) (figura 3.12). Si
este rango de X fuese un intervalo finito, siempre es posible ampliar el intervalo para incluir el
conjunto total de nmeros reales, al definir f(x)= 0 en todos los puntos de las porciones
ampliadas del intervalo. Del clculo de la integral se tiene que:
b
P(a < X < b) = f(x) dx.
a
Figura
3.12
P(a < X
< b)
Podemos aadir que la funcin f(x) es una funcin de densidad de probabilidad para la variable
aleatoria continua X, definida sobre el conjunto de los nmeros reales, R, si cumple con los
siguientes enunciados:
1. f(x) 0 para toda x R .

2.
-
f(x) dx = 1 .
b
3. P(a < X < b)= f(x) dx .
a
La distribucin acumulada F(x) de una variable aleatoria continua X, con funcin de densidad
f(x), est dada por:
x
F(x) = P(X x) =
-
f(t) dt para - < x < ,
la cual define la probabilidad de que la variable aleatoria asuma un valor menor o igual a x.
La consecuencia inmediata de la definicin anterior nos permite escribir lo siguiente como

resultado:
121
P(a < X < b)= F(b) - F(a)

y
dF(x)
f(x) =
dx
en caso de que exista la derivada.
Ejemplo:
Suponga que el error en la temperatura de reaccin, en grados centgrados, para un

experimento controlado de laboratorio es una variable aleatoria continua X que tiene la
funcin de probabilidad
x2/3, - 1 > x < 2,
f(x) =
0,
Encuentre P(0 < x 1).
Solucin:
1 2 3 1
x x 1
P(0 < x 1)= dx = _= 9
0
3 9 0
Ejemplo:
Para la funcin de densidad del ejemplo anterior, encuentre la funcin de distribucin

F(x) y utilcela para evaluar -1 < x < 2,
Figura
3.12
Distribucin acumulada continua
Solucin:
Para -1 < x < 2

x x 3 x 3
t x +1
F(x)=
-
f(t) dt = dt = | =
-1 9 -1 9
. Por lo tanto

F(x) =
0, x - 1

3
x +1 , -1 x < 2
9

1, x 2
En la figura 3.12 se expresa en forma grfica la distribucin acumulada F(x).

123
Ahora,
2 1 1
P(0 < X 1)= F(1) - F(0)= - = ,
9 9 9
lo cual concuerda con el resultado que se obtuvo al utilizar la funcin de densidad del ejemplo
anterior.
3.8.3 Variable Aleatoria Mixta
Hasta este momento las consideraciones se han restringido a variables aleatorias discretas o
continuas, y para la mayor parte de las aplicaciones esto es lo adecuado. Sin embargo,
ocasionalmente se presentar una situacin en donde la variable aleatoria x puede tomar
diferentes valores x1, x2, ..., xk con probabilidad positiva y tambin puede tomar todos los
valores en algn intervalo o coleccin de intervalos. Por ejemplo, considrese la distribucin
del tiempo de espera para un cliente que llega a la ventanilla de un banco. Si no hay personas
en la lnea, el tiempo de espera es cero, y existe una probabilidad positiva de que ste sea el
caso; pero si hay uno o ms clientes ya sean en la lnea y/o estn siendo atendidos, el tiempo
de espera tomar algn valor sobre un intervalo.
Existen pues, variables aleatorias que pueden tomar valores continuos o discretos. Este tipo
de variable se representa por medio de una distribucin mixta. Estos casos se dan cuando la
variable puede asumir cualquier valor discreto con probabilidad finita o puede asumir una
continuidad de valores establecidos por una funcin de densidad. La figura 3.13 describe una
distribucin donde los valores discretos 1 y 2 ocurren, cada una con una probabilidad de como
se indica con las flechas. Los valores entre uno y dos estn gobernados por la funcin de
densidad f(x)= 1/3
La funcin de distribucin muestra una unin con una distribucin continua con valores
igualmente probables, en la funcin acumulada muestra el mayor valor en el punto 2 y el menor
valor en el punto 1.
La funcin de distribucin acumulada para la variable mostrada es:
0, x<1
F(x) = 1/3 + (x - 1)/3, 1 x < 2
1, x 2
De esta
Figura 3.13 Distribucin de Valores Discretos
ecuacin y de la figura anterior se observa que F(X) tiene discontinuidad en el punto 1 y en el

punto 2. En los puntos de discontinuidad P(X= x) es igual al salto en F(X) hecho en el punto
x. Por ejemplo P(X= 1)= 1/3, sin embargo para 1 < x < 2 es continuo en x y P(X= x)= 0.
3.8 4 Esperanza y Momento
La esperanza y el momento son necesarios, algunas veces, para caracterizar a una variable
aleatoria mediante uno o ms valores que sumaricen informacin contenida en una funcin
de distribucin de probabilidad.
Esperanza o Valor Esperado6:
El valor esperado, o media, de una variable aleatoria es una medida de la localizacin central
(o tendencia central de esa variable). La ecuacin matemtica del valor esperado de una
variable aleatoria discreta x es la siguiente:
E(x) = = xf(x)
Se puede usar las notaciones E(x) y para representar el valor de una variable aleatoria. Para
calcular el valor esperado de una variable aleatoria discreta debemos multiplicar x, (cada valor
6 Media
125
de ella), por f(x), (su probabilidad correspondiente), y despus sumar todos los productos
obtenidos.
Si la variable aleatoria x es continua tenemos que la media o valor esperado es:
E(x)= = + x f(x)dx
-
Ejemplo:
Durante los ltimos 300 das de operacin los datos de ventas de Motores di Carlo muestran
que en 54 das no se vendieron automviles, en 117 se vendi un automvil, en 72 se
vendieron 2; en 42, 3 en 12, 4 y en 3 das se vendieron 5 automviles. Sabemos que x es una
variable aleatoria discreta que puede asumir los valores 0,1,2,3,4 5. Como los datos
histricos muestran que en 54 de 300 das no se vendieron automviles, asignaremos el valor
de 54/300 = 0.18 a f(0), 117/300 = 0.39 a f(1) y as con los siguientes y tendremos:
X f(x) xf(x)
0 0.18 0(0.18)
1 0.39 1(0.39)
2 0.24 2(0.24)
3 0.14 3(0.14)
4 0.04 4(0.04)
5 0.01 5(0.01)
1.50
E(x) = = xf(x)
Describimos el clculo del valor esperado de la cantidad de automviles que se venden en un

da. La suma de los elementos de la columna xf(x) muestra que el valor esperado es de 1.5
automviles por da. En consecuencia, sabemos que, aunque es posible vender 1,2,3,4 5
automviles en cualquier da, Motores di Carlo puede esperar a la larga, la venta de un
promedio de 1.5 automviles por da. Si ponemos que la operacin durante un mes equivale
a 30 das se puede usar el valor esperado de 1.50 para anticipar que las ventas mensuales
promedios son 30(1.50) = 45 automviles.
Ejemplo:
En un juego de azar, se le paga a una persona 5 dlares si al tirar al aire tres monedas
obtiene puras caras o puros sellos, mientras que esta persona deber pagar 3 dlares
si obtiene slo 1 2 caras. Cul es la ganancia esperada del jugador?
Solucin:
El espacio muestral formado por todos los posibles resultados que pueden obtenerse
cuando se tiran tres monedas de manera simultnea, o en forma equivalente si la
moneda se tira 3 veces sucesivas, es:
S = {(CCC),(CCS),(CSC),(SCC),(CSS),(SCS),(SSC),(SSS)}; para C = cara y S = sello
Se puede argumentar que cada una de estas posibilidades es igualmente probable y

ocurre con una probabilidad = 1/8.
La variable aleatoria de inters es Y, la cantidad que el jugador puede ganar y los

valores posibles de Y son $ 5.00, si ocurre el evento E1= {CCC,SSS} y -$3.00 si ocurre
el evento E2= {CCS,CSC,SCC,CSS,SCS,SSC}. Puesto que E1 y E2 se presentan con
probabilidades de 1/4 y 3/4 respectivamente, se deduce que = E(Y) = 5(1/4) + (-3)
(3/4) = -1. En este juego, el apostador perder en promedio $1.00 al tirar las tres
monedas.
Varianza o Momento:
Si bien el valor esperado representa el promedio de la variable aleatoria, con frecuencia se

necesita conocer una medida de dispersin o variabilidad. Entre otras se utiliza la varianza
para resumir la variabilidad en los valores de una variable aleatoria. La varianza de una
variable aleatoria es una medida de propagacin de la distribucin de probabilidad.
Varianza de una variable aleatoria discreta Var(x) = 2 = (x-)2f(x).
Si una variable aleatoria tiene una varianza pequea entonces los eventos tienden a ocurrir
cerca del valor esperado.
La raz cuadrada de la varianza indica la desviacin estndar de la variable aleatoria:
2
x = VAR (x) x = x
Ejemplo:
El clculo de la varianza para la distribucin de probabilidad de la cantidad de automviles

vendidos en Motores di Carlo durante un da es la siguiente:
x x- (x-)2 f(x) (x-)2 f(x)

0 0-1.50 = -1.50 2.25 0.18 2.25(0.18)=0.4050
1 1-1.50 = -0.50 0.25 0.39 0.25(0.39)=0.0975
2 2-1.50 = 0.50 0.25 0.24 0.25(0.24)=0.0600
3 3-1.50 = 1.50 2.25 0.14 2.25(0.14)=0.3150
4 4-1.50 = 2.50 6.25 0.04 6.25(0.04)=0.2500
12.25(0.01)=0.1225
5 5-1.50 = 3.50 12.25 0.01
1.2500
2 = (x-)2f(x)
127
Vemos que la varianza es de 1.25. La desviacin estndar , se define como la raz cuadrada
positiva de la varianza. As, la desviacin estndar de la cantidad de autos vendidos en un
da es:
= 1.25 = 1.118.
La desviacin estndar se mide con las mismas unidades que la variable aleatoria ( = 1.118
automviles) y en consecuencia se prefiere en muchas ocasiones para describir la variabilidad
de una variable aleatoria. La varianza 2 se mide con las unidades elevadas al cuadrado, y
por ello es ms difcil de interpretar.
Covarianza:
Si X y Y son variables aleatorias, entonces la covarianza de X y Y denotada por COV(X, Y)

se define como:
COV[X, Y] = E[ (X - E[X]) (Y - E[Y])]
La covarianza es importante porque mide la asociacin lineal entre X y Y. Si el resultado de

X no tiene influencia en el resultado de Y, entonces X y Y se dicen independientes y la COV[X,
Y] puede ser cero. Ms formalmente, X y Y son independientes si y slo si:
P(y/x) = P(y) {En el caso discreto donde P (Y/X) es la probabilidad de Y= X dado

que ocurra X= x.}
f(y/x) = f(y) {En el caso continuo donde f(Y/X) es la funcin de densidad condicional
de Y para X= x..}
Esta expresin indica que la distribucin de probabilidad de Y conocida la de X, es la misma

que la distribucin de probabilidad de Y desconocida la de X.
Coeficiente de Correlacin:
Es una medida de dependencia que est relacionada a la covarianza, denotado por y

definido como:
El coeficiente de correlacin tiene un rango de -1 a 1 con un valor cero indicando la no-

correlacin entre X y Y. Los valores cercanos a esos lmites indican una fuerte relacin.
Mientras el coeficiente se acerque ms a 0, la relacin es ms dbil. Un signo positivo
indica que Y tiende a ser alto cuando X es alto y un signo negativo indica que Y tiende
a ser bajo cuando X es elevado.
Si el ajuste es lineal entonces la magnitud de indica el grado de linealidad, de correlacin o

el grado exponencial de Y cuando se grafica contra X, y se calcula el coeficiente de correlacin
como una medidas del grado de asociacin entre dos variables. Si una grfica de Y versus X
es una lnea recta, entonces + 1.
Cuando X y Y son independientes entonces una grfica de Y versus X puede producir puntos
al azar y puede ser cero.
En la figura 3.14 se presentan diagramas de dispersiones tpicas de Y versus X para diferentes

valores de .
Figura
3.14
Diagramas de Dispersin
3.9 Distribuciones de Probabilidad
En las secciones anteriores se describieron las propiedades de las variables aleatorias.

Basndonos en estos conceptos, se puede pasar ahora a estudiar las probabilidades como
una funcin.
Las caractersticas de las diferentes distribuciones que se tratarn son las que llevarn al
modelador a seleccionar una de estas, para una variable aleatoria particular, de manera que
represente matemticamente un proceso aleatorio.
La probabilidad de un evento o suceso se puede expresar como una funcin porque a cada
valor distinto posible de una variable aleatoria X, que en verdad es un suceso, le corresponde
una probabilidad de ocurrencia entre cero (0) y uno (1), incluidos. En otras palabras, existe
una probabilidad que se puede asignar a cada valor posible de x, que es un evento elemental
o compuesto.
129
Si los valores de X son mutuamente exclusivos o colectivamente exhaustivos, entonces la

funcin de probabilidad para todos los valores de X se puede considerar como una distribucin
de probabilidades.
Esto significa que dado un experimento, se llama distribucin de probabilidades a una

expresin de probabilidades que tiene por dominio un conjunto de valores mutuamente
exclusivos y exhaustivos por el experimento.
La naturaleza de una distribucin particular de probabilidades depende de la variable que se

est considerando.
La distribucin de probabilidades se concibe como una distribucin tcnica de frecuencia.
Diferencia entre Distribucin de Frecuencia y Distribucin de Probabilidad:
Una distribucin de frecuencia7 es el listado de todos los puntos muestrales con la frecuencia
real con que sean presentadas cuando se llev a cabo el experimento. Mientras que una
distribucin de probabilidades es un listado de todos los resultados posibles que podrn
presentarse si se efecta el experimento. Es decir, una distribucin de probabilidades no es
ms que el resultado o puntos muestrales de un experimento con sus respectivas
probabilidades.
Ejemplo:
Se tiran dos monedas legales

A: denota el evento de observar el resultado de la cara superior (C= cara, S= sello):
Evento P(A)
CC 0.5 x 0.5 = 0.25

CS 0.5 x 0.5 = 0.25
SC 0.5 x 0.5 = 0.25
SS 0.5 x 0.5 = 0.25
Una distribucin de probabilidades tambin incluye el determinar la presencia de cara en el

experimento.
La siguiente tabla es la distribucin de probabilidad de X nmeros de sellos en el juego de dos

monedas perfectas.
Cara Evento P(X)
0 SS 0.25
7 Conocida tambin como histograma.

1 CS, SC 0.50
2 CC 0.25
1.00
Es importante resaltar que la distribucin de probabilidades se puede resumir de forma concisa

mediante la distribucin de probabilidades acumuladas, que da las probabilidades
para X x, donde x representa todos los valores en el dominio de la funcin X.
F(x)
0.75
0.50 .
0.25 .
x
0 1 2 3
Figura 3.15: Grfica de la Distribucin de Probabilidad de x
3.9.1 Principio de Bernoulli
Una repeticin de pruebas o experimentos aleatorios independientes se llama Proceso de

Bernoulli si solo hay dos posibles resultados para cada prueba y la probabilidad para cada
resultado posible permanece constante durante la prueba. A estas dos probabilidades se
les suele denotar por p y q, indicando con p la probabilidad de xito E y q la probabilidad de
falla F.
p, q > 0 y p + q = 1.
El espacio muestral para cada prueba de Bernoulli es constituido solo por dos puntos X =
{1, 0} {xito, Fracaso} {v, f}, etc. Su esperanza matemtica E[X] ser igual a p y su
varianza ser p(1-p).
Ejemplo:
De sucesivos lanzamientos de una moneda simtrica se tiene que: p = q = 1/2.
Ejemplo:
De sucesivos lanzamientos de un dado no cargado de 6 caras, donde:

E: denota el evento de observar el 1.
F: Denota el evento de obtener 2,3,4,5 6;
Tendremos entonces que P(E) = 1/6 p = 1/6
P(E) = 5/6 q = 5/6
131
Ejemplo:
E: denota el evento de observar un nmero par.
F: denota el evento de observar un nmero impar.
Se tendr entonces que P(E) = P(F) = . Si se define el xito como la observacin de
un nmero par p = q = .
Las pruebas de Bernoulli constituyen un modelo terico y solo la experiencia puede
mostrarnos si este es adecuado o no para describir determinada observacin.
En este sentido, el hecho de lanzamientos sucesivos de una moneda simtrica conforma

una prueba de Bernoulli se basa en experiencias obtenidas va experimentacin. Sin
embargo, no se puede dejar de mencionar que cada uno de nosotros despus de que se
han realizado 20 lanzamientos y ha cado siempre sello se ve ms probable de que en el
prximo lanzamiento saldr cara. Esto ltimo no tiene que ver con imperfecciones de la
moneda, ms bien est relacionado con la "memoria", es decir se est negando la
independencia estocstica de pruebas sucesivas.
El espacio muestral de n pruebas de Bernoulli tiene 2n puntos, cada uno con una secuencia
de n letras E, F representando los posibles resultados.
Como cada prueba es independiente de la otra tendremos:
P(EEEFF...FEFE) = P(E)P(E)P(E)P(F)P(F)...P(F)P(E)P(F)P(E) = pppqq...qpqp

Cada evento en el ensayo de Bernoulli es mutuamente excluyente y colectivamente
exhaustivo. La probabilidad se mantiene igual en cada ensayo.
Como el modelo tiene solamente dos clases de sucesos tambin se le conoce como modelo
probabilstico de dos puntos.
La varianza y la desviacin tpica estn denotadas por VAR(Y) y y se obtienen de la siguiente

forma:
VAR (y) = E( y2) - E [(y) ]2

= 2 (1 - P) + 12 (P) - P 2
= P - P2
= p(1 - p)
= pq
Donde:
y = VAR(y) = pq
La media de una variable es igual a la probabilidad de un xito y la varianza es igual a la

probabilidad de un xito multiplicado por la de un fallo.
Caractersticas de los Procesos de Bernoulli:

Existen n ensayos, cada uno de los cuales tienen dos resultados mutuamente
excluyentes que pueden clasificarse como xito o fracaso.
La probabilidad de un xito p permanece fija en cada ensayo.
La probabilidad de fracaso q permanece fija en cada ensayo y q = 1 - p.
La variable aleatoria X es el nmero total de xitos en n ensayos.
Ejemplo:
Un vendedor calcula que cada entrevista con un cliente lleva una venta con
probabilidad de 0.2. Cierto da, entrevista dos clientes, (V y F), calcule la distribucin
de probabilidad del nmero por clientes que firman un contrato de ventas (asumir que
las entrevistas representan sucesos independientes).
X P(X)
VV 0.2 x 0.2 = 0.04
VF 0.2 x 0.8 = 0.16
FV 0.8 x 0.2 = 0.16
FF 0.8 x 0.8 = 0.64
1.00
X P(X)
0 0.64
1 0.32
2 0.04
1.00
Ejemplo:
Un dado se lanza 25 veces. Un resultado exitoso es la ocurrencia de un 6. Este es un

ejemplo de un proceso de Bernoulli. Si se supone que el dado sea legal, la probabilidad
de xito en cada ensayo es 1/6, o sea p = 1/6. Si la probabilidad de xito es 1/6, la de
un fracaso q es q = 1 - p = 1 - 1/6 = 5/6. Los sucesivos lanzamientos de un dado son
estadsticamente independientes. La variable aleatoria X es el nmero de veces que
sale un 6 en 25 lanzamientos.
3.9.2 Distribucin Binomial
La distribucin binomial de probabilidad es una distribucin discreta de probabilidad que tiene

muchas aplicaciones. Se relaciona con un experimento de etapas mltiples que llamamos
binomial.
133
Sea el espacio muestral de un experimento aleatorio y E uno de sus eventos simples. Si

al realizar el experimento resulta el evento simple E, se dice que E ha sido un xito, de lo
contrario se dice que ha sido un fracaso.
Un experimento binomial tiene cuatro propiedades:
El experimento consiste en una sucesin de n intentos o ensayos o experimentos

idnticos.
En cada intento son posibles dos resultados: A uno lo llamaremos xito y al otro
fracaso.
La probabilidad de un xito, representada por p no cambia de un intento a otro. En
consecuencia, la probabilidad de un fracaso, representado por 1 - p, no cambia de
un intento a otro.
Los intentos son independientes.
Si existen las 3 ltimas propiedades, se dice que los intentos se generan mediante un
proceso de Bernoulli. Si adems existe la propiedad 1, se dice que se tiene un experimento
binomial.
En un experimento binomial interesa la cantidad de xitos que suceden en los n ensayos.

Si hacemos que x represente la cantidad de xitos en los n intentos, vemos que x puede
asumir los valores 0,1,2,3,...,n. Como la cantidad de valores es finita, x es una variable
aleatoria discreta. Por ejemplo veamos el experimento de lanzar una moneda 5 veces y, en
cada tirada observar si la moneda cae cara o sello hacia arriba. Suponga que nos
interesa contar la cantidad de caras que aparecen en los 5 lanzamientos. Tiene este
experimento las propiedades de un experimento binomial? Cul es la variable aleatoria de
inters? Observe que:
El experimento consiste en 5 intentos idnticos y cada intento implica lanzar una

moneda.
Son posibles dos resultados para cada intento: cara o sello.
Podemos convenir en que cara es un xito y sello un fracaso.
La probabilidad de cara y la probabilidad de sello son iguales para cada intento,
siendo p = 0.5 y 1 - p = 0.5.
Los intentos o lanzamientos son independientes, porque el resultado de cualquier
intento no se afecta por lo que suceda en los dems intentos.
Entonces, vemos que se satisfacen las propiedades de un experimento binomial. La

variable aleatoria de inters es x = la cantidad de caras en los 5 intentos. En este caso, x
puede asumir los valores 0, 1, 2, 3, 4, 5.
Frmula de Distribucin de Probabilidad Binomial:
n! x n-x
f(x) = p q
x! (n - x)!
n = nmero de intentos
p = probabilidad de xito de cualquier intento
x = variable aleatoria que representa el nmero de xitos de n intentos
q = probabilidad de fracaso de cualquier intento
f(x) = probabilidad de x xito en n intentos
Ejemplo:
Fijmonos en las decisiones de compra de las siguientes 3 compradores que entran a

la Tienda de Ropa M&M. Con base a su experiencia, el gerente de la tienda estima que
la probabilidad de que cualquier cliente compre es de 0.3. Cul es la probabilidad de
que 2 de los siguientes 3 clientes hagan una compra?
Tenemos que:
n = 3 clientes
p = 0.30
q = 0.70
x = 2 clientes
n! x n-x
f(x) = p q
x! (n - x)!
3! 2 3- 2
f(x) = (0.30) (0.70)
2! ( 3 - 2 )!
f(x) = 0.189
Valor Esperado y Varianza para la Distribucin Binomial de Probabilidad:
La media de una variable binomial X es el n nmero promedio de xitos cuando el nmero de

muestras de tamao n tomadas por el principio de Bernoulli, tiende a infinito.
n
= E(X)= X P(X)
x=0
La media de X es la suma de los productos de los valores que puede tomar X multiplicados
por sus respectivas probabilidades, se expresa as:
= n
La varianza es:
VAR(X)= E(X2) - 2
n
= X2 P(X) - 2
x=0
= nq
135
y la desviacin estndar:
n
= X P(X) -
x=0
2 2
= n pq
Para el problema de la Tienda de Ropa M&M para 3 clientes, podemos calcular la cantidad
esperada de clientes que hacen una compra:
E(x) = np = 3 (0.30) = 0.90
La varianza y la desviacin estndar de la cantidad de clientes que hacen una compra son:
2 = npq = 3(0.30)(0.70) = 0.63
= npq = 0.63 = 0.79 que la desviacin estndar.
3.9.3 Distribucin de Poisson
La distribucin de Poisson se utiliza frecuentemente para el modelado de tasas de llegada en

situaciones de espera en cola.
Si se satisfacen las dos probabilidades siguientes, la cantidad de ocurrencia es una variable

aleatoria que se describe con la funcin de probabilidad de Poisson:
Propiedades de un experimento Poisson:
1. La probabilidad de una ocurrencia es igual en dos intervalos cualesquiera de igual

longitud.
2. La ocurrencia o no-ocurrencia en cualquier intervalo es independiente de la ocurrencia o
no-ocurrencia en cualquier otro intervalo.
Esta distribucin tambin es discreta y pertenece usualmente al nmero de eventos ocurridos

en un periodo de tiempo especfico. Se origina cuando se quiere determinar las observaciones
de inters por unidad de tiempo y espacio. Es una distribucin asimtrica cuya asimetra es
positiva.
Funcin de Probabilidad de Poisson:
f(x) =
x e-
x!
donde:
f(x) = probabilidad de x ocurrencias en un intervalo

= valor esperado o cantidad promedio de ocurrencias en un intervalo
e = 2.71828
Ejemplo:
Supongamos que nos interesa la cantidad de llegadas a la ventanilla de servicio en

automvil de un banco, durante un perodo de 15 minutos en las maanas de los das
hbiles. Si podemos suponer que la probabilidad de que llegue un automvil durante 2
intervalos cualesquiera de igual longitud de tiempo y que la llegada o no llegada en
cualquier intervalo de tiempo no depende de la llegada o no llegada en cualquier otro
perodo, se puede aplicar la distribucin de Poisson. Supongamos que se satisfacen
esas hiptesis y que un anlisis de datos histricos muestra que la cantidad promedio
de automviles que llega en un perodo de 15 minutos es 10. La gerencia desea
conocer la probabilidad de que haya exactamente 5 llegadas en 15 minutos.
Tenemos:
= 10
x= 5
f(x) =
x e-
x!
5 - 10
10 e
f( 5 ) =
5!
f( 5 ) = 0.0378
Media y Varianza de la Distribucin de Poisson:
Media:
=
Varianza:
2 =
Desviacin Estndar:
Aproximacin de la Distribucin de Poisson y la Distribucin Binomial:
Se puede usar la distribucin de probabilidad de Poisson como aproximacin a la distribucin

binomial cuando p, la probabilidad de xito, es pequea y n, la cantidad de los intentos es
grande. Tan slo se iguala = np y se usan las tablas de Poisson.
Como regla general la aproximacin ser buena siempre y cuando p <= 0.05 y n >= 20.
137
Ejemplo:
Se desea calcular la probabilidad binomial de x = 3 xitos en n = 250 intentos, cuando

p = 0.01. Para usar la aproximacin Poisson, igualamos:
= np = 250 (0.01)
f(x) =
x e-
x!
3 - 2.5
2.5 e
f( 5 ) =
3!
f( 5 ) = 0.2138
3.9.4 Distribucin Geomtrica
Supngase que en una sucesin de ensayos queremos saber el nmero de ensayos en que
ocurre el primer xito y que todas las suposiciones fundamentales de la distribucin binomial,
menos la de que n es constante, se satisfacen; en otras palabras, n no es fija.
Es claro que, si el primer xito ocurre en el x-ximo ensayo, estuvieron precedido por x-1
fracasos; y si la probabilidad de un xito es p, la probabilidad de x-1 fracasos en x-1 ensayos
es (1 - p)x-1. As, si multiplicamos esta expresin por la probabilidad p de un xito en el x-ximo
ensayo, observamos que la probabilidad de obtener el primer xito en el x-ximo ensayo es
proporcionada por:
P(x) = p(1-p)x-1
en donde el parmetro p es una constante que se encuentra entre 0 y 1 y x toma los valores
1,2,3,...
La media de esta distribucin es = 1/p
La varianza es VAR (X) = (1-p)/p
Ejemplo:
Si la probabilidad de que un ladrn sea atrapado en un robo cualquiera es 0.20. Cul

es la probabilidad de que lo capturen por primera vez en su cuarto robo?
Solucin:
Sustituyendo x = 4 y p = 0.20 en la frmula de la distribucin geomtrica obtenemos:
P(x) = p(1-p)x-1
P(4) = 0.20 (1 - 0.20)4-1
P(4) = 0.102
3.9.5 Distribucin Hipergeomtrica
La diferencia principal entre la distribucin hipergeomtrica y la binomial es que en la

distribucin hipergeomtrica los intentos no son independientes, y en que la probabilidad de
xito cambia de un intento a otro.
La notacin que se acostumbra al aplicar la distribucin hipergeomtrica de probabilidad es

que r representa la cantidad de elementos en la poblacin de tamao N, que se identifica
como xitos, y que N - r represente la cantidad de elementos en la poblacin que se identifican
como fracasos. La distribucin hipergeomtrica de probabilidad se usa para calcular la
probabilidad de que, en una muestra aleatoria de n artculos seleccionado sin reemplazo,
obtengamos x elementos identificados como xitos y n - x identificados como fracasos. Para
que suceda esto debemos obtener x xitos de los r en la poblacin, y n - x fracasos de los N -
r de la poblacin. La siguiente funcin hipergeomtrica de probabilidad determina f(x), la
probabilidad de obtener x xitos en una muestra de tamao n.
Funcin de Probabilidad Hipergeomtrica:
r N r

x n x
f ( x) para 0 x r
N

n
En donde:
f(x) = probabilidad de x xitos en n intentos

n = cantidad de intentos
N = cantidad de elementos en la poblacin
r = cantidad de elementos identificados como xitos en la poblacin
Ejemplo:
Al seleccionar 2 miembros de un comit de 5 miembros para que asistan a una

convencin en Las Vegas, suponga que el comit est formado por 3 mujeres y 2
hombres. Determinar la probabilidad de seleccionar a 2 mujeres al azar.
Solucin:
P(x = 2) x: nmero de mujeres seleccionadas.
N=5
n=2
r=3
x=2
139
r N r

x n x
f ( x)
N

n
3 5 3

2 2 2
f (x)=
P(x=2)
5

2
f ( x=) 3 / 10 0.3
P(x=2)
Supongamos que despus nos enteramos de que los que harn el viaje a Las Vegas sern 3
personas del comit. Determine la probabilidad de que exactamente 2 de los 3 miembros sean
mujeres.
Tenemos ahora que: N = 5

N = 3
R = 3
x = 2
r N r 3 5 3

x n x 2 3 2 f ( x)= 6 / 10 0.60
P(x=2)
f ( x) f (x=)
P(x=2)
N 5

n 3
3.9.6 Distribuciones Continuas
Una variable aleatoria es considerada continua cuando presenta un gran nmero de

resultados posibles, o cuando no puedan ser utilizadas las distribuciones probabilsticas
discretas, para obtener probabilidades, ya que los resultados incluyen valores enteros y no
enteros.
Existen muchos experimentos que tienen un nmero infinito de puntos correspondientes a

infinitos resultados posibles. Las variables aleatorias de dichos experimentos toman valores
que difieren unos de otros en cantidades infinitesimales.
Muchos tipos de datos son continuos por naturaleza porque las observaciones se obtienen
por medidas que se pueden hacer con cualquier grado de precisin que se desee, por ejemplo
las medidas de tiempo, distancias, de estaturas, de peso.
Para acercarse ms a la realidad, se emplea el intervalo de nmeros reales como espacio

muestral de la variable continua. A tal variable se le llama continua en sentido de que hay un
nmero infinito de puntos en cualquier intervalo de nmeros reales y los valores dentro del
intervalo entre s en cantidades infinitesimales.
En el caso de una variable aleatoria continua, su probabilidad se determina al obtener el

porcentaje del rea entre dos valores.
Ejemplo:
La figura 3.16 presenta un crculo dividido en ocho partes iguales con una flecha giratoria en
el centro se hace girar, la punta de la flecha podr detenerse en cualquier punto dentro del
crculo, y no precisamente en algunos de los valores enteros, la probabilidad de que la punta
seale un valor determinado es tan pequea, que deber considerarse aproximadamente
igual a cero.
Si escogemos un rango, la probabilidad de que la flecha se detenga entre 3 y 4 sera

de 1/8 ya que el crculo est dividido en 8 partes, no es necesario distinguir entre 3<x<4
y 3<= x <=4, como en el caso de las probabilidades discretas ya que P(x=3) y P(x=4)
son aproximadamente igual a cero.
8
7 1
6 2
5 3
4
Figura 3. 16 La probabilidad de que la punta de flecha se detenga entre dos puntos es

igual al porcentaje del rea entre ambos puntos
El evento "la flecha se detiene entre los puntos 4 y 6" (un cuarto del crculo), se le asignara
una probabilidad del 25%. Los intervalos son limitados por valores enteros solo por
comodidad. Sin embargo, la probabilidad de observar un valor entre 3.217 y 4.217 sera de
1/8, y la probabilidad de observar un valor entre 3.5 y 4 es 1/16.
141
25% 1/16
6
3.5
4
4
1/8
3.21
4.217 7
Figura 3.17 Otras posibles Probabilidades de ciertas reas
3.9.7 Distribucin Uniforme
Cuando una variable aleatoria asume cualquier valor en una escala continua entre dos puntos,
de tal forma que ningn valor sea ms probable que el otro, entonces las probabilidades
asociadas con la variable aleatoria se pueden describir mediante la distribucin uniforme.
Esta probabilidad indica que todos los valores entre un mnimo y un mximo son igualmente
probables. Puede a veces indicar una completa carencia de conocimientos con respecto a la
variable aleatoria y por eso se le da a cada posible suceso la misma probabilidad de
ocurrencia. La figura se escondi
Figura 3.18 Distribucin Uniforme
La funcin de densidad uniforme es:
1
f(x) = a xb
b-a
Ejemplo:
F(x)
1
b-a
x
a b
En el ejemplo anterior de la flecha en la circunferencia, todos los puntos del crculo tienen la
misma probabilidad. La distribucin uniforme se representa grficamente como un rectngulo
limitado por los puntos a y b, los cuales constituyen el intervalo de resultados posibles (ver
figura 3.18).
F(x)
P = 100%
x
a b
Figura 3.19 Distribucin Uniforme
La altura del rectngulo se considera igual a 1.00 y el rea del mismo es igual a 100%. El rea
bajo el rectngulo entre dos puntos cualesquiera c y d es igual al porcentaje del intervalo total
incluido entre c y d.
(d - c)
P(c x d)=
(b - a)
Ejemplo:
Un vendedor llama por telfono a las oficinas entre las 3:00 y 3:15 de la tarde y en
ningn otro momento, de ese lapso, hay probabilidades de que el vendedor llame.
Solucin:
Dado que el tiempo se mide en escala continua, la probabilidad de que se registre una
F(x)
P (x)
x
a c d
llamada entre dos puntos cualesquiera en el tiempo es igual a razn de ese tiempo al
intervalo de 1 hora. La probabilidad que se registre la llamada entre 3:00 y 3:15 es
15/60 = 0.25
Figura 3.20 Probabilidad de una Llamada registrada entre 3:00 y 3:15
143
Para ciertas aplicaciones, es necesario utilizar la media y la varianza de una distribucin

probabilstica:
a+b
La media =
2
(b - a )2
La varianza =2
12
Esta distribucin indica que el valor en un intervalo especfico es proporcional a la longitud del
intervalo. Tambin se le conoce con el nombre de distribucin rectangular.
Ejemplo:
Veamos la variable aleatoria x que representa el tiempo de vuelo de un avin que va

de Chicago a Nueva York. Supongamos que el tiempo de vuelo puede ser cualquier
valor en el intervalo de 120 a 140 minutos. Como la variable aleatoria x puede tomar
cualquier valor en ese intervalo, x es una variable aleatoria continua y no discreta.
Supongamos que hay suficientes datos reales de tiempo de vuelo para llegar a la
conclusin de que la probabilidad de un tiempo de vuelo dentro de cualquier intervalo
de un minuto es igual a la correspondiente dentro a otro intervalo similar dentro del
rango de 120 y 140 minutos. La funcin de densidad de probabilidad, que define la
distribucin uniforme de probabilidad de la variable aleatoria tiempo de vuelo es:
cuando120 x 140
1 / 20
f ( x) en cualquier otro lugar
0
Cul es la probabilidad de que el tiempo de vuelo sea entre 120 y 130 minutos?. Esto es,
Cul es P(120 x 130) ?.
Si el ancho del intervalo es igual a 130 - 120 = 10 y la altura es igual al valor de la funcin de
densidad de probabilidad f(x)= 1/20, entonces P(120 x 130) va a ser = 10(1/20) que es
igual 10/20 = 0.50.
Cul es la probabilidad de que el vuelo este entre 128 y 136 minutos?.
El ancho del intervalo es de 136 -128 = 8. Con la altura uniforme de 1/20 vemos que:
P(128 x 136) = 8(1/20) = 0.40.
Observe que P(120 x 140) =20(1/20) = 1. Esta propiedad es vlida para las distribuciones
continuas de probabilidad, y es el anlogo de la condicin de que las sumas de probabilidades
deben ser iguales a 1 para una funcin de probabilidad discretas. Para una funcin continua
de densidad de probabilidad tambin se requiere que f ( x) 0 para todos los valores de x.
Es el anlogo del requisito que f ( x) 0 para las funciones discretas de probabilidad.
Hay dos diferencias principales entre el manejo de las variables aleatorias continuas y el de
su contraparte las variables discretas:
Ya no se habla de la probabilidad de que la variable aleatoria tome un valor

determinado. En su lugar se habla de la probabilidad de que la variable aleatoria asuma
un valor dentro de cierto intervalo dado.
La probabilidad de que la variable aleatoria tome un valor dentro de un determinado

intervalo dado x1 a x2 se define como el rea bajo la grfica de la funcin de densidad
de probabilidad entre x1 y x2. Esto implica que la probabilidad de que la variable
aleatoria continua asuma exactamente determinado valor es 0 porque el rea bajo
la grfica f(x) en un solo punto es 0.
Si aplicamos las ecuaciones de valor esperado y varianza a la distribucin uniforme de

probabilidades de los tiempos de vuelo entre Chicago y Nueva York:
E(x) = (a + b) / 2
E(x) = (120 + 140) / 2
E(x) = 130
Var(x) = (b - a)2 / 12
Var(x) = (140 - 120)2 / 12
Var(x) = 33.33
La desviacin estndar de los tiempos de vuelo se calcula sacando la raz cuadrada de la

varianza. Por consiguiente, = 5.71.
Ejemplo:
Los clientes llegan a un cajero con distribucin uniforme. Encuentre la probabilidad de que un
cliente llegue durante los ltimos 5 minutos de un perodo de 30 minutos.
P(25 x 30) = 2530 1/30 dy = (30 25) / 30 = 5 / 30 = 1/6
3.9.8 Distribucin Exponencial
Si la probabilidad de que uno y solamente un evento ocurrir durante un pequeo intervalo de

tiempo t es proporcional a t y si la ocurrencia de un evento es independiente a la ocurrencia
de otro evento, entonces el intervalo de tiempo entre la ocurrencia de eventos est distribuido
exponencialmente.
Otra forma de verlo es que la actividad caracterizada por una distribucin exponencial tiene la
misma probabilidad de ser concluida en cualquier perodo de tiempo subsiguiente t .
La distribucin exponencial es utilizada para representar o modelar el tiempo entre fallas de

equipo elctrico, el tiempo entre llegadas de clientes a un supermercado, el tiempo entre
llamadas para servicio, el tiempo entre llegadas a un auto bao, el tiempo necesario para
145
cargar un camin, la distancia entre los principales defectos en una carretera, etc. Se expresa
en trminos del tiempo o distancia hasta que el evento no tenga lugar.
Su densidad est dada por:
1
f ( x) e x / para x 0, >0

Ejemplo:
El tiempo que se tarda en cargar un camin en el muelle sigue esta distribucin. Si la media
del tiempo, o tiempo promedio para cargarlo es de 15 minutos (=15), su funcin de densidad
de probabilidad es:
1
f ( x) e x /

1
f ( x) e x / 15
15
La probabilidad de que la carga de un camin dure 6 minutos (x 6) se define como el rea

bajo la curva de x = 0 a x = 6.
Para calcular esta probabilidad empleamos la siguiente ecuacin, que da como resultado la
probabilidad de obtener un valor de la variable aleatoria exponencial igual o menor que
determinado valor especfico de x, representado por x0.
x0

P( x x0 ) 1 e
Para el ejemplo del muelle tenemos:

x0
P(tiempo de c arg a x0 ) 1 e 15
En consecuencia, la probabilidad de que la carga de un camin dure 6 minutos o menos es:

6
P(tiempo de c arg a 6) 1 e = 0.3297

15
La media y la varianza de la distribucin exponencial son:
Media =
VAR(X)= 2
Ejemplo:
Se desea determinar la probabilidad de que no haya llamadas durante un perodo de dos

horas ( t = 2) si la razn promedio ( ) es 1.5 llamadas / hora:
P(T>t) = e- t
P(T>2) = e-(1.5)(2)
Con esta frmula, se calcula la probabilidad de que el espacio (o tiempo) antes de que se
presente la primera ocurrencia sea mayor que un espacio dado (o tiempo) t.
La probabilidad de una ocurrencia en t o antes de dicho espacio se obtiene:
P(T t) =1 - e- t
Suponga que el tiempo que tardan en recibir su orden despus de hacerla en un gran
restaurante promedia 10 minutos. Suponga tambin que ese tiempo que espera en ser
atendido se distribuye exponencialmente.
Calcule la probabilidad de que su tiempo de espera sea mayor de 10 minutos.

Obtenga la probabilidad de que su tiempo de espera sea de 10 minutos o menos.
Encontrar la probabilidad de que su tiempo de espera sea de tres minutos o menos.
Solucin:
= 1/10 = 0.1 por minuto

a. P(T>10) = e- t = e-(0.1)(10) = e-1 = 0.368
b. P(T 10) =1 - e- t = 1 - e-1 = 1 - 0.368 = 0.632
c. P(T 3) =1 - e- t = 1 - e-0.3 = 1 - 0.741 = 0.259
Suponga que una mquina falla un promedio de una vez cada dos aos (1/ = 2, as que
= 0.5).
Encuentre la probabilidad de que la mquina no falle durante el siguiente ao.

P(T>1) = e- t = e-(0.5)(1) = e-0.5 = 0.607
147
3.9.9
Figura 3.21 Distribucin Exponencial
Distribucin Normal
La distribucin normal o gaussiana es la distribucin de probabilidad ms prominente. La

justificacin de su uso se basa en el teorema del lmite central el cual especifica que bajo una
condicin muy liberal la distribucin del promedio o suma de observaciones
independientemente de la distribucin se acerca a una distribucin normal.
Esta distribucin coincide cercanamente con la distribucin de frecuencia observadas de

muchas mediciones naturales y fsicas, adems pueden ser usadas para aproximar
probabilidades binomiales cuando n es grande, y las distribuciones de medias mustrales y
proporciones de grandes muestras tienden a distribuirse normalmente.
Cuando tratamos con un fenmeno que est relacionado a sumas de variables aleatorias,
pueden considerarse aproximaciones a una distribucin normal. Esta distribucin tiene la
ventaja de ser manejable matemticamente y consecuentemente muchas teoras de
inferencia estadstica tales como el anlisis de regresin y el anlisis de la varianza se derivan
asumiendo una funcin de distribucin normal.
Las curvas normales tienen estas caractersticas:
1. La curva normal tiene forma de campana.

2. Es simtrica con respecto a la media de la distribucin.
3. Se extiende de - a +
4. Cada distribucin normal es completamente especificada por su media y desviacin

estndar; existe una distribucin normal diferente para cada combinacin de media y
desviacin estndar.
5. El rea total bajo la curva normal se considera que es el 100%.
6. El rea bajo la curva entre dos puntos es la probabilidad de que una variable distribuida
normalmente asuma un valor entre ellos.
7. Dado que existe un nmero ilimitado de valores en el intervalo que va de - a + , la
probabilidad de que una variable aleatoria distribuida con normalidad sea exactamente
igual a cualquier valor dado es casi de cero. Por tanto, las probabilidades siempre sern
para un intervalo de valores.
8. El rea bajo la curva entre la media y cualquier otro punto es una funcin del nmero de
desviaciones estndar que el punto dista de la media.
La curva de la distribucin est dada por:
1 -(x - ) 2
f(x) = e 2 2
2
donde e y son constantes, es la media, es la desviacin estndar.
Para evitar la complejidad se debe trabajar con valores relativos en lugar de reales. Esto
equivale a utilizar la media como punto de referencia, y la desviacin estndar como una media
de la desviacin de dicho punto de referencia. Esta escala es conocida como escala Z8, en
donde:
(x - )
Z=

Z = nmero de desviaciones estndar a partir de la media
x = algunos valores de inters
= media de una desviacin normal
= desviacin estndar
Valor real = + Z
Ejemplo:
En un examen final de matemticas la media fue 72 y la desviacin tpica 15. Determinar las
referencias tipificadas (es decir, graduaciones en unidades de desviacin tpica) de los
estudiantes que obtuvieron puntuaciones de a) 60, b) 93, c) 72.
Solucin:
X-X 60 - 72
a) Z = ------ = ------- = -0.8
s 15
8 Ver anexo de la Tabla de Valores Z

149
X-X 93 - 72
b) Z = ------ = ------- = 1.4
s 15
X-X 72 - 72
c) Z = ------ = ------- = 0
s 15
Ejemplo:
Con referencia al problema anterior, hallar las puntuaciones correspondientes a las referencias
tipificadas
a) -1, b) 1,6
a) X = X + zs = 72 + (-1)(15) = 57
b) X = X + zs = 72 + (1.6)(15) = 96
Ejemplo:
El supervisor de una planta hidroelctrica sabe que las turbinas de la presa generan
electricidad a toda su potencia cuando por lo menos 1,000,000 de galones de agua pasan
por la presa al da. Tambin sabe por experiencia que el flujo diario tiene una distribucin
normal, con una media igual al flujo del da anterior y con una desviacin estndar de
200,000 galones. Ayer pasaron por la presa 850,000 galones. Cul es la probabilidad de
que las turbinas generen hoy una cantidad mxima?
X: cantidad de galones de agua que pasan por la presa en un da determinado

x = 1,000,000
= 850,000
= 200,000
z=x-/
z = 1,000,000 - 850,000 / 200,000
z = 0.75
Segn la tabla, P(z <0.75) = 0.2734.
P(X> 1,000,000) = P(z> 0.75)

= 0.5 - P(z <0.75)
= 0.5 - 0.2734
= 0.2266
La probabilidad de que hoy las turbinas generen una cantidad mxima de electricidad
es de 0.2266.
Ejemplo:
Una empresa de neumticos acaba de desarrollar un neumtico radial con banda de acero
que vender a travs de una cadena nacional de tiendas de descuento. Como ese neumtico
es un producto nuevo, la direccin cree que la garanta de millas recorridas que se ofrece con
el neumtico ser un factor importante en la aceptacin.
En pruebas reales en carretera, el grupo de ingeniera ha estimado que el promedio de

distancias recorridas es = 36,500 millas, y la desviacin estndar = 5,000. Qu porcentaje
de neumticos se puede esperar que duren ms de 40,000 millas? En otras palabras, Cul
es la probabilidad de que las millas recorridas rebasen las 40,000?
Cuando x = 40000, tenemos que:
z=x-/
z = 40000 - 36500 / 5000
z = 0.70
Al emplear la tabla vemos que el rea entre el promedio y z=0.70 es 0.2580. Adems el rea
entre x=36500 y x=40000 tambin es 0.2580. As como 0.5000 - 0.2580 = 0.2420 es la
probabilidad de x sea mayor que 40000. Podemos concluir que un 24.2% de los neumticos
duran ms de 40000 millas.
3.9.10 Distribucin Normal Logartmica
Esta distribucin corresponde a las variables aleatorias cuyo logaritmo natural, sigue la
distribucin normal. De la misma forma en que la distribucin normal es aplicable a procesos
aditivos, la distribucin normal logartmica es apropiada para procesos de tipo multiplicativo.
Si a un conjunto de datos se les transforma calculando su logaritmo natural y si los datos

transformados estn normalmente distribuidos, entonces se dice que los datos originales
tienen una distribucin normal logartmica.
Esta distribucin es utilizada en variadas aplicaciones como biologa, economa y otras.
Resulta apropiada en proceso donde el valor de una variable observada es una proporcin
aleatoria de los valores previamente observados. Ejemplos de tales procesos incluyen la
distribucin de ingresos personales, beneficios y depsitos de banco.
La curva de la distribucin est dada por:
1 ln x
2
1
f(x) = e 2

x 2x
151
3.10 Resumen
La probabilidad de un evento A es la suma de los pesos de todos los puntos muestrales que
se encuentra en A. Por lo tanto,
0 P(A) 1 , P( ) = 0, y P(S)= 1
La probabilidad condicional de B dado A, que se denota como P(AB), es definido mediante

P(A B)
P(B/A) = si P(A) > 0
P(A)
Dos eventos A y B son independientes si y slo si
P(AB)= P(B)
y
P(AB)= P(B),
De otra manera A y B son dependientes.
La regla de Bayes nos dice que si los eventos B1, B2, ..., Bk constituyen una particin del
espacio muestral S, donde P(Bi) 0 para i= 1, 2, ...,k, entonces para cualquier evento A de S
tal que P(A) 0,
A
P( B r ) P( )
B P( B r A) Br
P r = k = k
A A

i=1
P( B i A) P( B i ) P( )
i=1 Bi
para r: 1, 2, ..., k.
Una variable aleatoria es una funcin que asocia un nmero real a cada elemento del espacio
muestral. Si un espacio muestral contiene un nmero infinito de posibilidades iguales al
nmero de puntos que se encuentra en un segmento o lnea, se le denomina espacio
muestral continuo.
El conjunto de pares ordenados (x, f(x)) es una funcin de probabilidad o una distribucin
de probabilidad de variable aleatoria discreta X si, para cada posibles resultado x la sumatoria
de las probabilidades es igual a 1, entre otras cosas. Por su parte la distribucin acumulada
F(x) de una variable aleatoria discreta X, est dada por:
F(x)= P(X x)= para - < x < .
Existen variables aleatorias que pueden tomar valores continuos o discretos. Este tipo de
variable se representa por medio de una distribucin mixta. Estos casos se dan cuando la
variable puede asumir cualquier valor discreto con probabilidad finita o puede asumir una
continuidad de valores establecidos por una funcin de densidad.
La esperanza y el momento son necesarios, algunas veces, para caracterizar a una variable
aleatoria mediante uno o ms valores que sumaricen informacin contenida en una funcin
de distribucin de probabilidad.
La esperanza es una probabilidad promedio de un posible valor de X y una media central

para la distribucin, por esta razn es llamada el valor medio.
La varianza de una variable aleatoria es una medida de propagacin de la distribucin de

probabilidad.
Un momento de particular importancia en la teora de probabilidad es el segundo momento,

alrededor del punto medio llamado comnmente varianza de X.
Las caractersticas de las diferentes distribuciones son las que llevarn al modelador a
seleccionar un tipo de stas, para una variable aleatoria particular de manera que represente
un proceso aleatorio.
La probabilidad de un suceso se puede expresar como una funcin porque a cada valor
distinto posible de una variable aleatoria X, que en verdad es un suceso, le corresponde un
nmero real y slo uno entre cero (0) y uno (1).
Una distribucin de probabilidades no es ms que el resultado o puntos mustrales de un
experimento con sus respectivas probabilidades.
Es importante resaltar que la distribucin de probabilidades se puede resumir de forma concisa

mediante la distribucin de probabilidades acumuladas, que da las probabilidades para X x,
donde x representa todos los valores en el dominio de la funcin X.
Una distribucin de probabilidad ampliamente utilizada de una variable aleatoria discreta es la

distribucin binomial. El lanzamiento de una moneda legal un nmero fijo de veces es un
proceso de Bernoulli y los resultados de esa accin pueden ser representados por la
distribucin binomial de probabilidad.
La distribucin de Poisson se emplea para describir varios procesos entre otros casos, la
distribucin de las llamadas telefnicas que llegan a un conmutador, los arribos de camiones
y automviles a la caseta de cobro, y otros procesos que puedan ser descritos por una
variable aleatoria discreta.
La distribucin geomtrica se da si en ensayos independientes repetidos pueden resultar un

xito con probabilidad q= 1 - p, entonces la distribucin de probabilidad de la variable aleatoria
X, el nmero del ensayo en el cual ocurre el primer xito est dada por f(x)= pqx-1, x= 1, 2, 3,
...
En la distribucin continua de probabilidad, una variable aleatoria es considerada continua

cuando presenta un gran nmero de resultados posibles, o cuando no puedan ser utilizadas
las distribuciones probabilsticas discretas, para obtener probabilidades, ya que los resultados
incluyen valores enteros y no enteros. Para acercarse ms a la realidad se emplea el intervalo
de nmeros reales como espacio muestral de la variable continua. A tal variable se le llama
153
continua en sentido de que hay un nmero infinito de puntos en cualquier intervalo de nmeros
reales y los valores dentro del intervalo entre s en cantidades infinitesimales.
Cuando una variable aleatoria asume cualquier valor en una escala continua entre dos puntos,
de tal forma que ningn valor sea ms probable que el otro, entonces las probabilidades
asociadas con la variable aleatoria se pueden describir mediante la distribucin uniforme.
La distribucin exponencial es utilizada para representar o modelar el tiempo entre fallas de

equipo elctrico, el tiempo entre llegadas de clientes a un supermercado y el tiempo entre
llamadas para servicio. Se expresa en trminos del tiempo o distancia hasta que el evento no
tenga lugar.
La distribucin normal o gaussiana es la distribucin de probabilidad ms prominente. La

justificacin de su uso se basa en el teorema del lmite central el cual especifica que bajo una
condicin muy liberal la distribucin del promedio o suma de mis observaciones
independientemente de la distribucin se acerca a una distribucin normal.
Esta distribucin tiene la ventaja de ser manejable matemticamente y consecuentemente

muchas teoras de inferencia estadstica tales como el anlisis de regresin y el anlisis de la
varianza se derivan asumiendo una funcin de distribucin normal.
3.11 Problemas Resueltos colocar Respuesta en vez de Resp.
Regla General de Adicin
Una urna contiene 200 bolsas en cada una de las cuales aparece un nmero del 1 al 200. Se
saca una bolsa de la urna. Cul es la probabilidad de que el nmero marcado en la bolsa
sea mltiplo de 6 8?
P (A B) = 33/200 + 25/200 - 8/200

= 1/4
Probabilidad Condicional
Si la probabilidad de que un sistema de comunicacin tenga alta fidelidad es 0.81 y la

probabilidad de que tenga alta selectividad es 0.18. Cul es la probabilidad de que un sistema
con alta fidelidad tenga tambin alta selectividad?
A: tenga alta selectividad

B: tenga alta fidelidad
P(A/B) = 0.18 / 0.81 = 0.22
Regla de Multiplicacin
Una caja contiene 15 tornillos de los cuales 5 estn defectuosos. Dos tornillos se extraen al
azar. Encontrar la probabilidad del suceso tal que ninguno de los 2 tornillos sea defectuoso.
A: primer tornillo no defectuoso

B. segundo tornillo no sea defectuoso
P(A B) = P(A) * P(B/A)

= (10/15)(9/14)
= 0.4286
Teorema de Bayes
Supngase que 3 mquinas B1, B2 ,B3 producen respectivamente 50%, 30%, 20 % del nmero
total de artculos en una fbrica.
Los porcentajes de desperfecto de produccin son 3%, 4% y 5% respectivamente. Si se

selecciona un artculo al azar, halle la probabilidad de que el artculo sea defectuoso.
P(A) = P(B1) P(A/B1) + P(B2) P(A/B2) + P(B3) P(A/B3)

= 0.5 (0.03) + 0.30 (0.04) + 0.20 (0.05)
= 0.037
Valor Esperado
Supngase que en una lotera se venden 2000 boletos a un dlar cada uno y que se van a
otorgar 3 premios. El primer premio es un aparato de sonido con un valor de $ 500.00 el
segundo premio es un aparato de televisin con un valor de $ 300.00 y el tercero es un
fongrafo con un valor de $200.00. si usted compr un boleto. Cul es la ganancia
esperada?.
E(X) = 499 (1/2000) + 299 (1/2000) + 199 (1/2000) - 1(1997/2000)

= -1/2 = 0.5
Proceso de Bernoulli
Durante un perodo largo de tiempo se ha observado que un tirador da en el blanco con

probabilidad igual a 0.8 cada vez que hace un disparo. Si dispara 4 veces. Cul es la
probabilidad de que d en el blanco exactamente 2 veces?.
X = dar en el blanco
P = 0.8
n=4
q = 1 - p = 0.2
4
P(2) = 0.8 0.2
2 2
2
155
= 0.1536
Distribucin de Poisson
Un departamento de reparacin de maquinarias recibe un promedio de 5 solicitudes de

servicio por hora.
Cul es la probabilidad de que reciba exactamente 3 solicitudes en una hora seleccionada al
azar?.
X = solicitudes recibidas
=5
P(X = 3/5) = 53 e -5 / 3!
= 125 (0.00674) / 6
= 0.14037
Distribucin Hipergeomtrica
Un cargamento de 20 grabadoras contiene 5 defectuosas. Si 10 de ellos son aleatoriamente

escogidas para revisin.
Cul es la probabilidad de que 2 estn defectuosas.

N = 20
a=5
n = 10
x=2
N-a =15
a N a

x n x
P= (x = 2) =
N

n
5 15

= 0.348
2 8
20

10
Distribucin Binomial
1. Se asegura que, en el 60% de las instalaciones generadoras de electricidad mediante

energa solar, los gastos de servicios se reducen al menos en una tercera parte. De acuerdo
con lo anterior, cules son las, probabilidades que se reduzcan al menos en una tercera
parte en
(a) cuatro de cinco instalaciones;

(b) en al menos cuatro de cinco instalaciones?
Solucin:
(a) Sustituyendo x = 4, n 5 y p 0.60 en la frmula para la distribucin binomial, obtenemos
5
b4;5,0.60 0.60 1 0.60
4 5 4

4
= 0.259
(b) Sustituyendo x = 5, n = 5 y p = 0.60 en la frmula para la distribucin binomial,

obtenemos
5
b5,5,0.60 0.60 1 0.60
4 55
= 0.078
y la respuesta es b(4; 5, 0.60) + b(5; 5, 0.60) = 0.259 + 0.078 = 0.337.
2. Alguien asegura que el 75% de los accidentes industriales pueden ser prevenidos
acatando estrictamente las disposiciones de seguridad. Suponiendo que la afirmacin sea
verdadera, cules son las probabilidades de que
(a) menos de 16 de entre un total de 20 accidentes industriales pueden ser prevenidos

acatando estrictamente las disposiciones de seguridad;
(b) 12 de 15 accidentes industriales pueden prevenirse obedeciendo estrictamente las
disposiciones de seguridad?
Solucin:
(a) En primer trmino usando la parte (b) del teorema 3.1 y luego buscando las
probabilidades requeridas en la tabla 1, obtenemos
B(15; 20, 0.75) = 1 - B(5; 20, 0.25)

= 1 - 0.4158
= 0.5842
(b) al utilizar la parte (d) del teorema 3.1 y luego al buscar en la tabla 1 las probabilidades
que se requieren, obtenemos
157
B(12; 15, 0.75) = B(3; 15, 0.25) - B(2; 15, 0.25)

= 0.4613 - 0.2361
= 0.2252
3. Un fabricante de lavadoras asegura que solamente el 10% de sus lavadoras requiere

reparacin dentro del perodo de garanta que es de 12 meses. Si cinco de 20 de sus
lavadoras requieren reparacin durante el primer ao, contribuye esto a apoyar o a refutar
su afirmacin?
Solucin:
Encontraremos primero la probabilidad de que cinco o ms de 20 de sus lavadoras

necesiten reparacin durante el ao de garanta, cuando la probabilidad de que cualquiera
de ellas requerir reparacin en el transcurso del ao es 0.10. Usando la tabla 1, obtenemos
20
b( x;20,0.10) 1 B(5;20,0.10)
x 5
=0.03192
Dado que este valor es muy pequeo, parecera razonable rechazar la afirmacin del
fabricante de lavadoras.
4. Se sabe que el 5% de los libros encuadernados en cierto taller tienen encuadernacin

defectuosa. Calclese la probabilidad de que 2 de 100 libros terminados en este taller tengan
una encuadernacin defectuosa.
n = 100
p = 0.05
100
P(X = 2) = 0.05 2 0.95 98
2
= 0.081
Distribucin Normal
Si la cantidad de radiacin csmica a la que una persona est expuesta mientras viaja en
avin, a la repblica Mexicana es una variable aleatoria con distribucin normal = 4.35 mrem
= 0.59 mrem Calclese la probabilidad de que la cantidad de radiacin csmica a la que
un viajero queda expuesto en tal vuelo que sea al menos 5.5?
Z=X-/
= 5.5 - 4.35 / 0.59 = 1.95
P( X 5.5) I P( X 5.5)
= 1 - P (Z<1.95)
= 1 - F(1.95)
= 1 - .9744
= 0.0256
3.12 Ejercicios
Teorema de Bayes
1. En cierta regin del pas se sabe, por experiencias pasadas, que la probabilidad de elegir a
un adulto de ms de 40 aos con cncer es de 0.02. Si la probabilidad de que un doctor
diagnostique en forma correcta que una persona tiene cncer es de 0.78 y la probabilidad de
que diagnostique de manera incorrecta que una persona que tiene cncer no lo tiene es de
0.06, cul es la probabilidad de que diagnostique que una persona tiene cncer?
Resp: 0.0744
2. Con referencia al problema anterior cul es la probabilidad de que una persona a la que
se le ha diagnosticado cncer est en realidad enferma?
Resp: 0.2097
3. La polica planea hacer respetar los lmites de velocidad utilizando radares en cuatro
ubicaciones diferentes dentro de los lmites de la ciudad. Se operan radares en cada una de
las ubicaciones L1, L2, L3 y L4 en 40%, 30%, 20% y 10% del tiempo, y si una persona que
rebasa los lmites de velocidad en su camino al trabajo tiene probabilidades de 0.2, 0.1, 0.5 y
0.2, respectivamente, de pasar por estos lugares, Cul es la probabilidad de que reciba una
multa?.
Resp: 0.23
4. Una prueba diagnstica para la diabetes tiene un CFP de 4% y un CFN del 5%. Si la
prevalencia de la diabetes en la poblacin donde se usa es del 7% cul es la
probabilidad de que sea diabtico un individuo en el que la prueba d positiva? y de qu
no lo sea uno en el que d negativo?
p(+|NE) = 0,04 p(-|NE) = 0,96

p(-|E) = 0,05 p(+|E) = 0,95
p(E) = 0,07 p(NE) = 0,93
Resp: 0.641
Resp: 0.996
Distribucin Binomial
159
1. Los archivos muestran el 30% de los pacientes que se admiten en una clnica no cumplen
con el pago de sus cuentas, las que terminan por serles perdonadas. Supongamos que n=4
representa una seleccin aleatoria de un grupo grande de posibles pacientes atendidos por
la clnica. Encuentre la probabilidad de que:
a. La cuenta de todos los pacientes tenga que serles perdonadas.
b. Que una cuenta tenga que ser perdonada.
c. Que ninguna tenga que ser perdonada.
Resp:
a. P(x = 4) = 0.0081
b. P(x = 1) = 0.4116
c. P(x = 0) = 0.24
2. Consideremos un defecto metablico que ocurre en aproximadamente uno de cada 100

nacimientos. Si 4 nios nacen en un hospital un da dado. Cul es la probabilidad de que:
a. Ninguno tenga defecto
b. Que a lo ms uno tenga defecto.
Resp:
a. P(x = 0) = 0.961
b. P(x < 1) = 0.9998
3. Un 10% de los utensilios producidos en un cierto proceso de fabricacin resulta ser

defectuoso. Hallar la probabilidad de que una muestra de 10 utensilios elegidos al azar sea
exactamente 2 los defectuosos mediante
a. Distribucin Binomial
Resp: P(x) = 0.194
b. Distribucin de Poisson
Resp: p(x) = 0.184
Si tenemos - 4.2 en una distribucin de Poisson encuentre.

a) P(X<= 2)
b) P(X>= 5)
c) P(X=8)
Resp:
a) 0.2103
b) 0.4101
c) 0.0360
4. Una mquina fabrica una determinada pieza y se sabe que produce un 7 por 1000
de piezas defectuosas. Hallar la probabilidad de que al examinar 50 piezas slo haya
una defectuosa.
Solucin:
Se trata de una distribucin binomial de parmetros B(50, 0'007) y se debe calcular

la probabilidad p(X=1).
Resp: 0.248
5. La probabilidad de xito de una determinada vacuna es 0,72. Calcula la probabilidad de

a que una vez administrada a 15 pacientes.
a) Ninguno sufra la enfermedad.
b) Todos sufran la enfermedad.
c) Dos de ellos contraigan la enfermedad.
Resp: a) 0.00724
b) 5.097.10 9
c) 0.11503
Distribucin Uniforme:
1. Un vendedor telefonea a las oficinas centrales entre las 3 y 4 de la tarde y, segn el registro,
en ningn momento de ese lapso hay probabilidades de que el vendedor llame. Cul es
la probabilidad de que se registre la llamada entre 3:00 y 3:15?
Respuesta: P(x)= 0.25
2. Las ventas de combustible en una gasolinera tienen una media de 40000 litros por da y
un mnimo de 30000 litros por da. Suponga que una distribucin uniforme es apropiada.
a. Determinar las ventas mximas diarias.
b. Qu porcentaje de das, las ventas excedern los 34000 litros?
Respuesta:
a. Ventas mximas = 50000 lts/da
b. P(34000<= X <= 50000)= 0.8
3. Una pequea compaa corta y vende leos (para chimeneas) cuya longitud vara
uniformemente entre 2 y 3 pies.
a. Cul es la longitud promedio de un leo.
b. Cul es la probabilidad de que cualquier leo sea mayor que 2.6 pies?
Respuesta:
a. 2.5 pies
b. 0.4
Distribucin Exponencial:
1. Supngase que un sistema contiene cierto tipo de componente cuya duracin til en aos,
est dada por la variable aleatoria T, distribuida en forma exponencial con parmetro = 5.
Si se instalan 5 de estos componentes en diferentes sistemas. Cul es la probabilidad de
que por lo menos 2 funcionen todava al trmino de 8 aos?
Resp: P(x >= 2) = 0.2

161
2. Las llamadas de emergencia durante las primeras horas de la maana del lunes siguen el
modelo exponencial, con un tiempo medio de una hora entre cada llamada.
Calcule la probabilidad de un periodo de 2 horas sin que registre ninguna llamada.
Resp: P(T>2000)= 0.135
3. Un satlite de comunicacin tiene una sola fuente de energa. Determine la probabilidad

de que le satlite funcione durante por los menos 20000 horas antes de que haya una falla de
1
energa, si el tiempo medio entre fallas ( es de 10000 horas).

Resp: P(T>=10000)= 0.135
Distribucin Normal
1. Cul es la probabilidad de que un participante elegido de manera aleatoria tarde ms de

500 horas en terminar un programa de capacitacin?
u= 500 horas
T= 100 horas.
Resp: P(X>500)= 0.5
2. Cul es la probabilidad de que un candidato seleccionado aleatoriamente tarde entre 500

y 650 horas en terminar el programa de capacitacin?
Resp: P(500 a 650)= 0.4332
3. Cul es la probabilidad de que un candidato seleccionado aleatoriamente tarde ms de

700 horas en terminar el programa de capacitacin?
Resp: P(ms de 700)= 0.0228

3.13 Bibliografa
Anderson David, Estadstica para Administracin y Economa, Sptima edicin, Editorial

International Thomson, Mxico, 1999, 909 pginas.
Hines William, Probabilidad y Estadstica para Ingeniera y Administracin, Segunda Edicin,

Editorial CECSA, Mxico, 1988, 669 pginas.
Levin Richard I., Estadstica para Administradores, Segunda Edicin, Editorial Prentice-Hall
Hispanoamericana, Mxico, 1988.
Miller Irwin, Probabilidad y Estadstica para Ingeniera, Tercera Edicin, Editorial Prentice-
Hall, Mxico, 1987, 574 pginas.
Spiegel Murria, Estadstica y Teora Prctica, Editorial McGraw-Hill, 1970.
Walpole Ronald et al., Probabilidad y Estadstica para Ingenieros, 3 Edicin, Editorial

McGraw-Hill Interamericana, Mxico, 1989, 733 pginas.
Domnguez Enrique, www.montevideo.com.uy/u/calculus/ind_prob.htm, 1998.
Rangel Velsquez Ricardo , www.csc.mty.itesm.mx/~laava/java/Binomial.html
Osorio Vctor Larios, www.uaq.mx/matematicas/estadisticas/xu4-5.html
www.strix.ciens.ucv.ve/~teorprob/guiasteoricas/index.html
Teorema de Bayes, http://www.hrc.es/bioest/Probabilidad_18.html,
Probabilidad Elemental http://lectura.ilce.edu.mx:3000/sites/telesec/curso1/htmlb/sec_56.html
Teorema de Probabilidad,
http://www.fie.us.es/~calvo/alumnos/formulario/Trabajo%20de%20Estadistica/Teorema%20p
robabilidad%20total.htm

C3 Conceptos de Probabilidades

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

C3 Conceptos de Probabilidades

Transféré par

Droits d'auteur :

Formats disponibles

Captulo 3

Los objetivos de este captulo son:

Repasar los conceptos ms importantes de las probabilidades.

3.2.1 Espacio Muestral

Este concepto es de singular importancia al estudiar la teora de probabilidades, porque

Determine el espacio muestral de un experimento en el que se tira un par de dados de

1 Conjunto de todos los posibles resultados.

El espacio muestral de las combinaciones de dos dados de 6 caras cada uno:

= {(x,y), x=1,2,3,...,6; y=1,2,3,...,6}

Donde x representa el nmero de puntos obtenidos con el dado 1 y y representa el

El experimento de seleccionar una parte e inspeccionarla para determinar si est bien

Un experimento es un proceso de observacin o medida cualquiera. Un experimento es un

Experimento Resultados del experimento

Lanzar una moneda Cara o sello

Grupo de objetos o elementos que tienen ciertas caractersticas comunes. Es importante

3.2.4 Evento Simple

Un evento simple es cada uno de los resultados posibles de un experimento aleatorio, se le

Son mutuamente excluyentes y equiprobables (no pueden aparecer dos a la vez y la

El resultado de tirar una moneda al aire y que caiga mostrando sello.

= {cara, sello} Es = {sello}

= {(x,y), x=1,2,3,...,6; y=1,2,3,...,6} Es = {6,6}

3.2.5 Evento Compuesto

Con frecuencia lo que interesa no es un suceso elemental en particular, sino ms bien la

Evento compuesto, es pues, un subconjunto del espacio de sucesos elementales de un

Sea E el evento de observar todos los valores pares en el experimento de lanzar un

= {(x,y), x=1,2,3,...,6; y=1,2,3,...,6}

3.3 Operaciones con eventos simples y compuestos

3.3.1 Complemento de un Evento

Es el conjunto de elementos que no pertenecen al espacio de eventos de E. En otras palabras,

Complemento del Evento E

Figura 3.1 Complemento de un Evento

Clculo de la probabilidad mediante el complemento:

El experimento consiste en el lanzamiento de un dado de 6 caras.

Espacio muestral = {1,2,3,4,5,6}

El evento o suceso compuesto E es la salida de un nmero par.

Si en un momento dado ocurre la salida 2. Se dice que ha ocurrido el suceso E o que

Punto Muestral Es = {2}

El complemento de E sern los nmeros impares:

Veamos el caso de un gerente de ventas que, despus de revisar los informes de

Si se define a E como elemento de una venta y el de no venta, lo que el gerente

3.3.2 Interseccin de Eventos

Se denota por A B y es el conjunto de los elementos que pertenecen tanto a A como a B.

El diagrama de Venn que muestra la interseccin de los dos eventos es el siguiente:

Figura 3.2 Interseccin de 2 Eventos

El rea donde se traslapan los dos crculos en la interseccin de A y B es el evento que

Se toma un dado del cual se sacarn las siguientes salidas de datos:

A = {2,4,6} salida de nmeros pares.

A B A B A B = {4,6} ocurrencia de valores pares mayores que tres.

X = {Juan, Pedro, Pablo, Jos}

Y = {Mara, Pablo, David, Pedro}

Los nombres que se repiten en los eventos X e Y fueron Pablo y Pedro.

El evento P Q es el conjunto de todos los ingenieros que se encuentran en la cafetera

3.3.3 Unin de Eventos

Denotado por A B A + B, es el evento que ocurre cuando A B ambas ocurren.

Unin de los Eventos A y B Espacio

Figura 3.3 Unin de 2 Eventos

1. Se tomarn los mismos valores del ejemplo anterior, para:

Entonces A B A + B = {2,4,5,6} ocurrencia de todos los valores.

X = {negro, rojo, azul, amarillo}

Y = {rojo, verde, blanco}

Entonces: X Y X + Y = {negro, rojo azul, amarillo, verde, blanco}

3. Sea P el evento de que un empleado seleccionado al azar de una compaa de

3.4 Propiedades de los eventos